Derniers articles pour Sécurité dans la technologie

MLGuard propose un cadre pour des applications de machine learning sûres et fiables.

Adv3D présente des exemples adversariaux 3D réalistes pour les systèmes de voitures autonomes.

Une nouvelle méthode pour la navigation des robots en toute sécurité en prenant en compte les risques physiques dans des environnements complexes.

Présentation d'un benchmark pour vérifier les réseaux de neurones codés en C pur.

Une nouvelle méthode améliore l'adaptabilité des modèles AV aux changements de point de vue de la caméra.

Examiner le rôle des outils de test pour garantir une génération d'images sécurisée.

Discuter des mesures de sécurité pour les systèmes d'apprentissage machine dans des domaines critiques.

Explorer le besoin de sécurité et de confiance dans les systèmes d'IA.

Présentation d'un cadre qui met la sécurité au premier plan dans l'apprentissage par renforcement.

Un aperçu de l'importance de la vérification des modèles pour la sécurité des systèmes d'IA.

De nouvelles méthodes améliorent les prévisions pour la gestion des déchets nucléaires.

Explore comment les filtres de sécurité basés sur les données maintiennent la sécurité dans les systèmes d'apprentissage.

Une nouvelle approche pour surveiller les réseaux de neurones pendant leur fonctionnement afin d'assurer leur fiabilité.

De nouvelles méthodes améliorent la navigation sécurisée pour les systèmes autonomes grâce à des stratégies de contrôle innovantes.

De nouvelles méthodes améliorent la vérification de sécurité des réseaux de neurones bayésiens contre les attaques.

De nouvelles méthodes améliorent la prise de décision en IA tout en garantissant la sécurité et l'efficacité.

Cette étude évalue la sécurité des DNN dans la gestion de données de conduite inconnues.

Un aperçu des fonctions de barrière de contrôle pour une opération sécurisée en technologie.

Un aperçu des techniques de renforcement sécurisé et de leurs applications dans le monde réel.

Une nouvelle méthode améliore la sécurité des robots qui naviguent dans des environnements complexes.

Une nouvelle méthode améliore la façon dont les robots interprètent en toute sécurité les instructions des utilisateurs.

Explorer des mesures de sécurité pour lutter contre la confiance excessive dans les systèmes d'IA des véhicules autonomes.

Un nouveau cadre pour améliorer la sécurité et la performance dans les systèmes robotiques hybrides.

Un aperçu des systèmes distribués, de la synchronisation et des méthodes de sécurité.

Une initiative dirigée par la communauté pour identifier les prompts nuisibles dans les modèles T2I.

Une nouvelle approche pour garantir la sécurité dans l'apprentissage par renforcement hors ligne.

Une nouvelle méthode vise à améliorer la sécurité et l'utilité des grands modèles de langage.

Un nouveau cadre améliore la sécurité des UGV dans des environnements complexes.

Une étude sur l'apprentissage par renforcement profond protégé pour l'autonomie sûre des engins spatiaux.

Une nouvelle méthode améliore les fonctionnalités de sécurité dans les systèmes d'IA multimodaux sans entraînement intensif.

Un guide sur la combinaison de l'IA avec des robots pour des opérations plus sûres et efficaces.

De nouvelles méthodes améliorent la sécurité dans l'apprentissage par renforcement tout en optimisant les performances dans des environnements contraints.

La méthode DeepKnowledge améliore la fiabilité des DNN dans les applications critiques.

Une nouvelle méthode améliore la détection OOD en se concentrant sur les informations de gradient.

La recherche se concentre sur l'amélioration de la vérification des réseaux de neurones avec des spécifications NAP minimales.

DEXTER améliore la sécurité de l'IA en renforçant la détection des données hors distribution.

Une étude comparant la performance en matière de sécurité des modèles de langage populaires.

Combiner la détection OOD et la prédiction conforme améliore la fiabilité du modèle.

Apprends comment décomposer des tâches complexes aide les robots à naviguer efficacement.

Un nouveau jeu de données évalue comment les modèles de langage gèrent le contenu nuisible à travers les cultures.