Informatique - Cryptographie et sécurité

Un aperçu des attaques par inférence d'appartenance et de leurs implications pour la vie privée des données.

Un nouveau système pour garantir des flux de travail plus sûrs dans les environnements cloud.

Les attaques en boîte noire révèlent des vulnérabilités dans les modèles de deep learning interprétables.

Une analyse de comment le SPDM affecte la performance des appareils informatiques.

Explorer les responsabilités partagées et améliorer la sécurité pour les développeurs freelances.

Examiner comment les utilisateurs perçoivent les risques de confidentialité en partageant des infos sensibles.

Explorer comment les données publiques peuvent améliorer les modèles d'apprentissage machine préservant la vie privée.

SecureFalcon identifie efficacement les vulnérabilités logicielles avec une grande précision et rapidité.

Une nouvelle approche pour sécuriser la facturation dans le trading d'énergie entre pairs.

Des recherches montrent que des réponses nuisibles peuvent surgir de questions inoffensives pendant les discussions avec des chatbots.

Découvrez comment Proof of Training combine l'IA et le minage crypto pour de meilleures performances.

Les fausses alertes impactent grave le taf des analystes pour déceler les vraies menaces cyber.

Un modèle pour protéger les infos personnelles contre les abus dans les organisations.

Examiner comment la confidentialité différentielle impacte les réseaux de neurones graphiques dans les applications médicales.

Explore comment la blockchain et la vision par ordinateur peuvent transformer différentes industries.

Apprends comment le clustering différemment privé protège les données individuelles tout en analysant des tendances.

Cet article examine les risques de sécurité des systèmes de surveillance de charge non intrusifs.

Stratégies pour améliorer l'entraînement adversarial en machine learning avec des jeux de données déséquilibrés.

Une étude sur les perceptions de la technologie de reconnaissance faciale en Arabie Saoudite par rapport aux États-Unis.

Une nouvelle stratégie améliore l'efficacité des attaques par porte dérobée grâce à une sélection d'échantillons plus intelligente.

Un aperçu des signatures numériques et de leur sécurité à travers les automorphismes booléens.

Examiner les forces et les faiblesses de l'apprentissage fractionné en matière de confidentialité des données.

Les établissements éducatifs font face à des menaces cybernétiques croissantes, mettant en danger les infos sensibles et leur réputation.

Ce document explore des méthodes pour améliorer la précision des mécanismes de Confidentialité Différentielle Locale.

Les CAPTCHAs sont super importants pour faire la différence entre les humains et les bots automatisés en ligne.

Une nouvelle preuve d'authentification renforce la sécurité dans l'émission des certificats.

Des techniques innovantes visent à améliorer la vie privée dans l'analyse des données par l'IA.

Des recherches montrent que les redémarrages aléatoires surpassent le boosting dans les modèles de détection de malware.

Le cadre ICAR renforce la cybersécurité en reliant efficacement les vulnérabilités, les menaces et les actifs.

RYDE propose une solution de signature numérique sécurisée utilisant des maths avancées.

Un aperçu des matrices MDS et NMDS et leur rôle dans la sécurité des données.

MIRA propose une approche sécurisée des signatures numériques en utilisant des mathématiques avancées.

Un système de vote électronique sûr et privé utilisant la blockchain.

Examen de comment les BadNets exploitent les filtres anti-spam avec des tactiques de porte dérobée.

Les cybercriminels exploitent les systèmes OT avec de nouvelles tactiques d'extorsion comme le DM-PLC.

Examiner l'équilibre entre le partage des données et la vie privée des patients dans la recherche biomédicale.

Cet article explore les menaces liées aux codes malveillants dans les paquets tiers.

Des chercheurs examinent les défenses contre les attaques par backdoor nuisibles sur les modèles d'apprentissage automatique.

Explorer les risques de confidentialité et les stratégies pour gérer les fuites de données dans les modèles de langage.

Epsilon* évalue les risques de confidentialité dans l'apprentissage automatique sans avoir besoin d'accéder à des données sensibles.