Artigos mais recentes para Segurança na Tecnologia

O MLGuard oferece uma estrutura para aplicativos de aprendizado de máquina seguros e confiáveis.

A Adv3D apresenta exemplos adversariais 3D realistas para sistemas de carros autônomos.

Um novo método para navegação segura de robôs considerando riscos físicos em ambientes complexos.

Apresentando um benchmark pra verificar redes neurais codificadas em C simples.

Um novo método melhora a adaptabilidade dos modelos de AV a mudanças de ângulo de câmera.

Analisando o papel das ferramentas de teste pra garantir a geração de imagens seguras.

Discutindo medidas de segurança para sistemas de aprendizado de máquina em áreas críticas.

Explorando a necessidade de segurança e confiança nos sistemas de IA.

Apresentando uma estrutura que prioriza a segurança no aprendizado por reforço.

Um olhar sobre a importância da verificação de modelos para a segurança em sistemas de IA.

Novos métodos melhoram as previsões para a gestão de combustível nuclear usado.

Explore como os Filtros de Segurança Baseados em Dados mantêm a segurança em sistemas baseados em aprendizado.

Uma nova forma de monitorar redes neurais durante a operação pra garantir a confiabilidade.

Novos métodos melhoram a navegação segura para sistemas autônomos através de estratégias de controle inovadoras.

Novos métodos melhoram a verificação de segurança de Redes Neurais Bayesianas contra ataques.

Novos métodos melhoram a tomada de decisão em IA enquanto garantem segurança e eficiência.

Este estudo avalia a segurança das DNNs ao lidar com dados de condução desconhecidos.

Uma olhada nas funções de barreira de controle para operações seguras na tecnologia.

Um olhar sobre técnicas seguras de aprendizado por reforço e suas aplicações no mundo real.

Um novo método melhora a segurança dos robôs ao navegar em ambientes complexos.

Um novo método melhora como os robôs interpretam as instruções dos usuários de forma segura.

Explorando medidas de segurança pra lidar com a autoconfiança em sistemas de IA de veículos autônomos.

Um novo framework pra melhorar a segurança e o desempenho em sistemas robóticos híbridos.

Uma visão geral de sistemas distribuídos, sincronização e métodos de segurança.

Uma iniciativa liderada pela comunidade pra identificar prompts nocivos em modelos T2I.

Uma nova abordagem pra garantir segurança no aprendizado por reforço offline.

Um novo método tem como objetivo melhorar a segurança e a utilidade dos grandes modelos de linguagem.

Um novo framework aumenta a segurança dos UGVs em ambientes complexos.

Um estudo sobre Aprendizado por Reforço Profundo Blindado para a autonomia segura de naves espaciais.

Um novo método melhora as funções de segurança em sistemas de IA multimodal sem precisar de muito treinamento.

Um guia sobre como combinar IA com robôs para operações mais seguras e eficientes.

Novos métodos melhoram a segurança no aprendizado por reforço enquanto otimizam o desempenho em ambientes com restrições.

O método DeepKnowledge melhora a confiabilidade das DNNs em aplicações críticas.

Um novo método melhora a detecção OOD focando nas informações de gradiente.

A pesquisa foca em melhorar a verificação de redes neurais com especificações NAP mínimas.

O DEXTER melhora a segurança da IA ao aumentar a detecção de dados fora da distribuição.

Um estudo comparando o desempenho de segurança de modelos de linguagem populares.

Combinar detecção de OOD com Previsão Conformal aumenta a confiabilidade do modelo.

Aprenda como dividir tarefas complexas ajuda os robôs a se moverem de forma eficiente.

Um novo conjunto de dados avalia como os modelos de linguagem lidam com conteúdo prejudicial em diferentes culturas.