Articoli più recenti per Attacco Backdoor

Svelare i rischi dovuti agli attacchi backdoor sui sistemi intelligenti.

Nuovi metodi come PromptFix aiutano a proteggere i modelli di linguaggio da minacce nascoste.

Presentiamo un metodo per valutare la resilienza dei modelli contro gli attacchi di avvelenamento dei dati.

Esplorare le vulnerabilità nel Federated Learning Personalizzato e i nuovi metodi di attacco backdoor.

Nuovo metodo punta sui cambiamenti di ritmo per attacchi vocali furtivi.

Questo articolo esplora l'impatto del data poisoning sulla sintonizzazione dei modelli linguistici.

Scopri come gli attacchi backdoor minacciano i sistemi di apprendimento automatico e i metodi per difendersi da essi.

Una nuova strategia di difesa per i LLM contro gli attacchi backdoor.

Un nuovo metodo affronta minacce nascoste nei modelli di linguaggio di grandi dimensioni.

Esaminare i rischi e le difese contro gli attacchi backdoor nei modelli di intelligenza artificiale.

Esplorando attacchi backdoor e metodi di riduzione dei grafi nelle GNN.

Venomancer è un attacco furtivo che sfrutta le vulnerabilità nei sistemi di apprendimento federato.

Un nuovo metodo di difesa per migliorare la sicurezza nei modelli di diffusione da testo a immagine.

Crescono le preoccupazioni per gli attacchi backdoor nei modelli linguistici, che influenzano la sicurezza e l'affidabilità.

Esaminare le vulnerabilità nei modelli di linguaggio clinico e il loro impatto sulla sicurezza dei pazienti.

Nuovi metodi puntano a proteggere i modelli di apprendimento automatico dalle minacce di backdoor.

Nuovi modelli aiutano gli sviluppatori, ma gli attacchi backdoor rappresentano seri rischi per la sicurezza.

Un nuovo modo per migliorare la sicurezza nel federated learning contro gli attacchi backdoor.

Un nuovo metodo migliora la sicurezza dei modelli di deep learning contro minacce nascoste.

Un nuovo metodo mira a mettere al sicuro l'apprendimento semi-supervisionato dalle minacce dei backdoor.

Questo articolo parla di come proteggere le GNN dagli attacchi di avvelenamento dei dati e dai backdoor.

Analizzando tecniche di attacco backdoor clean-label efficaci nel machine learning.

Esaminando le vulnerabilità e i potenziali attacchi sulla tecnologia NeRF.

Questo documento esamina gli attacchi backdoor e le loro implicazioni sulla sicurezza nell'apprendimento automatico.

Questo studio esamina l'efficacia degli attacchi backdoor fisici clean-label nelle reti neurali profonde.

Questo articolo parla di un metodo per inserire backdoor nelle reti neurali durante l'allenamento.

Uno sguardo alle debolezze nei LLM e strategie per migliorare.

Esaminando come i segnali emotivi possano sabotare la tecnologia di identificazione del parlante.

Esaminare vulnerabilità e difese nei modelli di diffusione per una generazione di contenuti sicura.

Nuovi metodi rivelano vulnerabilità nei modelli medici attraverso attacchi backdoor.

Questo studio esplora la vulnerabilità dei modelli VSS agli attacchi backdoor.

Un approccio nuovo migliora l'efficacia degli attacchi backdoor sui modelli NLP.

Questo articolo parla di un metodo per manipolare le reti neurali senza attivatori.

EmoAttack sfrutta la conversione vocale emotiva per sfruttare le vulnerabilità nei sistemi di riconoscimento vocale.

Indagare sugli attacchi backdoor e i loro rischi per i sistemi di rilevamento degli oggetti.

NoiseAttack altera più classi negli attacchi backdoor usando schemi di rumore sottili.

Scopri come i trigger nascosti possono manipolare i modelli di linguaggio e comportare seri rischi.

Esaminando come i dati importanti attirano più rischi di sicurezza nel machine learning.

Uno studio rivela vulnerabilità nei modelli di intelligenza artificiale a causa degli attacchi backdoor.

Esplorare le vulnerabilità dei sistemi multi-agente cooperativi agli attacchi backdoor.