Artigos mais recentes para Integridade de Dados

Novo método BaDLoss melhora a proteção contra envenenamento de dados em aprendizado de máquina.

Um olhar sobre as complexidades de identificar chaves candidatas no design de banco de dados.

FIP melhora o treinamento do modelo pra evitar manipulação de dados prejudiciais.

NoiseAttack altera várias classes em ataques de backdoor usando padrões de ruído sutis.

Novos métodos melhoram a segurança das assinaturas digitais contra ameaças futuras de computação.

Aprenda como gatilhos ocultos podem manipular modelos de linguagem e representar riscos sérios.

Aprenda a obter resultados de agregação confiáveis, mesmo com inconsistências nos dados.

Entender o ruído quântico e clássico melhora a confiabilidade da transferência de informações.

Expondo os riscos de manipulação das funções de influência em machine learning.

Explorando como erros na computação catalítica podem ampliar as capacidades computacionais.

Explorando estratégias pra encontrar valores máximos em dados corrompidos.

Esse artigo analisa métodos para detectar contaminação de dados em modelos de linguagem grandes.

Novos métodos buscam reduzir imprecisões em modelos de linguagem dentro de sistemas de recuperação de informações.

Apresentando o PAD-FT, um método leve pra combater ataques de backdoor sem precisar de dados limpos.

Explorando Ataques de Preferência Reversa e seu impacto na segurança do modelo.

Novas descobertas levantam preocupações sobre as afirmações de supercondutividade em materiais ricos em hidrogênio.

Esse artigo investiga as ameaças que os ataques de envenenamento representam para sistemas de banco de dados.

Uma visão geral dos métodos tradicionais e de aprendizado profundo em segurança de rede.

Este artigo fala sobre os efeitos de ataques de negação de serviço em sistemas ciberfísicos e maneiras de reduzir esses impactos.

Um novo framework identifica quando modelos multimodais usam dados de treinamento inadequados.

Ataques de falsificação de dados representam ameaças sérias à integridade e privacidade dos modelos.

Aprenda sobre os desafios da verificação de propriedades em conjuntos de dados com adversários.

Aprenda como a contaminação de dados atrapalha os processos de treinamento de IA.

Aprenda a melhorar Redes Neurais Gráficas corrigindo dados prejudiciais.

Explorando as vulnerabilidades e defesas nas redes de transporte modernas.

Como modelos de IA podem fingir sua inteligência através da manipulação.

Analisando as polêmicas e desafios de diagnosticar SBS e AHT.

Chorba melhora as checagens de CRC com rapidez e simplicidade.

Saiba como o PoisonCatcher protege os dados de IIoT de intrusões prejudiciais.

Aprenda como a corrupção de dados impacta o aprendizado de máquina e maneiras de lidar com isso.