Articoli più recenti per Attacco Backdoor

Un nuovo metodo aiuta a identificare vulnerabilità nascoste nei modelli biometrici.

Un nuovo modo per trovare campioni di backdoor senza avere dati puliti.

Uno studio rivela nuove tecniche per attacchi backdoor sui modelli linguistici con impatto minimo.

Presentiamo TABDet, un nuovo metodo per rilevare attacchi backdoor in vari compiti NLP.

La ricerca rivela rischi di sicurezza significativi nei modelli di chat a causa di attacchi backdoor.

La ricerca evidenzia le vulnerabilità dei sistemi MNMT agli attacchi backdoor.

Un nuovo modo per proteggere i modelli di linguaggio dai dati nocivi.

Esplorare le sfide di sicurezza poste dall'apprendimento auto-supervisionato e dagli attacchi backdoor senza etichette.

Analizzare minacce e difese nel federated learning contro attacchi malevoli.

Uno sguardo agli attacchi backdoor mirati nei sistemi di machine learning federato.

BadFusion usa i dati della fotocamera per lanciare attacchi backdoor sui sistemi di guida autonoma.

Questo documento presenta EFRAP, una difesa contro gli attacchi backdoor condizionati dalla quantizzazione nei modelli di deep learning.

Ricerca su come agenti dannosi possano corrompere agenti buoni nel RL decentralizzato.

Un approccio efficiente in termini di risorse agli attacchi backdoor sui modelli di machine learning avanzati.

Nuovo metodo riduce le minacce backdoor nei reti neurali profonde.

Questo articolo esamina i rischi di sicurezza degli attacchi backdoor sul machine learning nei sistemi grafo.

Nuovi metodi combattono gli attacchi backdoor sui modelli di machine learning per una maggiore sicurezza.

Proponiamo un metodo per creare attivatori backdoor invisibili nei modelli di diffusione.

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.