Informatique - Cryptographie et sécurité

Une méthode qui combine la SGD et des techniques de confidentialité pour une analyse de données efficace.

Examiner des stratégies pour lutter contre le dark pooling dans les espaces publicitaires numériques.

Examen de la faille Rowhammer et ses implications pour la sécurité des données.

NutNet améliore les systèmes de détection d'objets en identifiant efficacement les patchs adverses.

Découvrez comment l’informatique quantique privée peut protéger des données sensibles pendant des calculs complexes.

Enquêter sur les failles de sécurité dans l'Extension de Marquage Mémoire et les attaques par exécution spéculative.

Examiner les risques de sécurité et les solutions pour les nouvelles technologies d'assistants IA.

Une nouvelle méthode pour créer des images à partir de texte en utilisant des modèles spécialisés.

Cette recherche explore des méthodes pour apprendre des circuits quantiques peu profonds malgré le bruit.

Une nouvelle méthode de filigrane aide à identifier les données tabulaires synthétiques.

Un aperçu de comment la propagande se propage sur Telegram pendant les conflits.

La compétition révèle des vulnérabilités et des défenses dans la sécurité des modèles linguistiques.

Un nouveau cadre pour analyser les flux de données tout en garantissant la confidentialité des utilisateurs.

Explorer les menaces à la vie privée dans le traitement d'images en utilisant des modèles de diffusion et des gradients fuités.

Analyse de la confidentialité des données à travers l'inférence bayésienne avec des contraintes.

Explorer des méthodes pour protéger les images personnelles contre l'utilisation abusive par l'IA.

Cet article parle d'une nouvelle méthode pour améliorer la robustesse contre les attaques adversariales dans la classification d'images.

Examen des risques de sécurité dans les réseaux mmWave utilisant le transfert simultané d'informations et d'énergie sans fil.

Une étude sur l'amélioration des techniques d'extraction de modèles pour la sécurité des deep learning.

Une nouvelle approche pour améliorer les vitesses de traitement du chiffrement homomorphe.

Ce papier présente un cadre pour évaluer les vulnérabilités des grands modèles de langage.

Apprends comment le désapprentissage ciblé protège la vie privée en permettant aux modèles d'oublier des infos spécifiques.

Une nouvelle méthode pour vérifier l'oubli machine de manière efficace et sécurisée.

Cet article parle de l'effacement de caractéristiques et de son impact sur la vie privée et l'équité dans l'apprentissage automatique.

Cet article explore l'impact du poisoning des données sur l'alignement des modèles de langage.

Les artistes prennent des risques quand les nouvelles technologies imitent leur style unique.

P3GNN améliore la détection des APT tout en protégeant la confidentialité des données dans les réseaux SDN.

Mélanger des méthodes de clustering traditionnelles avec des protections de la vie privée en utilisant la confidentialité différentielle.

Apprends comment les attaques par backdoor menacent les systèmes d'apprentissage machine et les méthodes pour s'en défendre.

Une méthode pour garder la vie privée tout en partageant des statistiques sur le trafic urbain.

De nouvelles méthodes améliorent les prévisions en se concentrant sur la fonctionnalité du code plutôt que sur les noms de variables.

Un cadre pour améliorer la détection des APT tout en protégeant la vie privée.

LDMeta améliore la confidentialité et l'efficacité des méthodes d'apprentissage distribué.

L'étude examine comment les publicités d'influenceurs façonnent les perceptions des VPN et les croyances sur la sécurité en ligne.

Explorer les défis de sécurité posés par les attaques adversariales sur des agents multimodaux.

Les LLM aident les évaluateurs humains à identifier efficacement le contenu nuisible en ligne.

Ce document examine les risques et les problèmes de maintenance liés aux extensions Chrome.

De nouvelles recherches révèlent des systèmes de preuve efficaces dans des environnements de stockage quantique limité.

Une méthode pour améliorer la vie privée des données dans l'apprentissage fédéré en supprimant des influences de données spécifiques.

Traiter les préoccupations de sécurité liées au code produit par les grands modèles de langage.