Informatique - Cryptographie et sécurité

Explorer l'importance de la sécurité et des retours utilisateurs dans les applis de paiement.

AFPNet propose une détection améliorée des vulnérabilités dans les contrats intelligents grâce à des techniques d'apprentissage profond.

Un aperçu des méthodes d'analyse WebAssembly pour une exécution sécurisée.

Cette étude se concentre sur la suppression des trojans nuisibles dans les grands modèles de langage en utilisant des techniques de filtrage.

Une nouvelle approche pour améliorer la sécurité dans les protocoles de finance décentralisée.

Les portes dérobées dans les modèles d'IA représentent des menaces sérieuses pour la finance et la santé.

Découvre le rôle de l'isogénie dans les méthodes cryptographiques modernes utilisant des courbes elliptiques.

Une nouvelle approche pour améliorer la détection d'intrusions en utilisant le machine learning.

Explorer les défis et les avancées pour protéger les données sensibles tout en gardant leur utilité.

Un nouveau cadre améliore la sécurité et l'efficacité dans l'apprentissage automatique distribué.

BoostCom accélère les tâches de comparaison en FHE, rendant l'efficacité pour les données chiffrées mieux.

Les techniques basées sur les données doivent protéger la vie privée tout en identifiant les meilleures options.

Le défi de combiner la confidentialité différentielle avec des algorithmes sublinéaires dans l'analyse de données.

Un nouveau cadre améliore les interactions avec les gestionnaires de mots de passe pour un accès en ligne plus sûr.

Un aperçu de l'apprentissage fédéré combinant la confidentialité différentielle et la blockchain pour la sécurité des données.

Un nouveau cadre contrôle l'apprentissage en contexte pour éviter les abus dans les modèles d'IA.

Cette étude montre comment les attaques non hostiles affectent les algorithmes d'embedding de graphes de connaissances.

Un nouveau cadre évalue les méthodes pour anonymiser les données biométriques afin d'améliorer la vie privée.

Examiner l'impact de l'apprentissage profond sur les techniques de filigrane et les défis de sécurité.

De nouvelles méthodes visent à sécuriser les modèles d'apprentissage automatique contre les menaces de porte dérobée.

Une nouvelle méthode pour une déduplication de données efficace dans l'apprentissage fédéré.

Un nouveau modèle améliore la confidentialité des données tout en renforçant la précision de l'apprentissage machine.

Apprends à protéger tes engagements sensibles des écouteurs.

Une étude révèle des failles de sécurité dans des applis de paiement mobile populaires.

Explorer la confidentialité différentielle au niveau des utilisateurs dans l'entraînement de grands modèles de langage.

Explorer les avantages de l'apprentissage fédéré pour la détection d'anomalies dans les réseaux IoT.

Une étude révèle comment les données 5G peuvent dévoiler l'activité des utilisateurs.

De nouveaux modèles aident les développeurs, mais les attaques par porte dérobée posent de sérieux risques de sécurité.

Un aperçu des défis et solutions liés à la confidentialité et à l’intégrité de l’apprentissage fédéré.

Une nouvelle méthode fusionne les LLM avec des techniques de désassemblage traditionnelles pour une analyse efficace.

Un design TEE unifié améliore la collaboration entre le CPU et le NPU pour un calcul sécurisé.

Lutter contre la contamination des données pour de meilleures cyber-sécurités et systèmes de détection d'anomalies.

Combiner des réseaux de neurones avec la cryptographie améliore les méthodes de communication sécurisée.

Un système pour utiliser des chatbots anonymement tout en protégeant l'identité de l'utilisateur.

Un nouveau cadre améliore l'efficacité des tests et la détection de bugs dans les bibliothèques cryptographiques.

De nouvelles méthodes s'attaquent aux risques de confidentialité dans la prédiction des données de mouvement humain.

Explorer le changement numérique et son impact sur la cybersécurité maritime.

Cet article parle de l'importance des algorithmes de hachage dans la technologie blockchain.

Une nouvelle méthode pour comparer les mécanismes de confidentialité dans l'apprentissage machine.

Des recherches montrent des méthodes automatisées pour suivre la censure sur le web de manière efficace.