3803 ورقة بحثية
تُظهر هذه الورقة أن نماذج تعلم الآلة، وتحديداً CatBoost، يمكنها التمييز بفعالية عالية بين البوتات الخبيثة والمستخدمين الحقيقيين من خلال تحليل معلمات مصافحة TLS باستخدام تقنية بصمة JA4.
تبحث هذه الورقة في تطور تصميمات أوراكل البيتكوين، مشيرةً إلى تحول كبير من الموقّعين المشتركين القائمين على التوقيعات المتعددة (multisig) نحو آليات قائمة على التصديق مثل عقود السجل المنفصل (DLCs) التي توفر تنفيذاً عملياً ودعماً مجتمعياً أفضل.
تقدم هذه الورقة إنشاءات جديدة لمستخلصات قوية ذات بذور (strong seeded extractors) تحقق زمن تشغيل شبه خطي لأي خطأ وأطوال بذور قصيرة، إلى جانب تنفيذ لزمن خطي حقيقي لمستخلص تريفيسان (Trevisan's extractor) في نموذج ذاكرة الوصول العشوائي (RAM model).
تقترح هذه الورقة إطاراً موحداً لتحليل أمن وسلامة النماذج التأسيسية متعددة الوسائط باستخدام نظرية المعلومات لرسم خرائط التهديدات وصياغة "مينيمكس" (minimax) القائمة على نظرية الألعاب لإثبات أن قيود عرض النطاق الترددي على مستوى النظام أكثر متانة ضد الهجمات التكيفية من الدفاعات التي تركز على النموذج.
تقدم هذه الورقة أول عملية "تنسيق للمعرفة" (SoK) حول الذكاء الاصطناعي اللامركزي (DeAI) القائم على البلوكشين، حيث توفر تعريفاً رسمياً، وتصنيفاً قائماً على دورة الحياة، واستقصاءً لدور البلوكشين في التعاون الآمن، وتحليلاً للمخاطر الأمنية واتجاهات البحث المستقبلية.
تقترح هذه الورقة البحثية **TraMark**، وهي طريقة جديدة للعلامات المائية من جانب الخادم للتعلم الاتحادي تتيح التحقق من تسرب النموذج عبر الصندوق الأسود بطريقة قابلة للتتبع من خلال تقسيم فضاء معاملات النموذج وتعيين علامات مائية فريدة لكل عميل خاصة به لكل نموذج محلي دون المساس بأداء المهمة الرئيسية.
لمعالجة تدهور المنفعة الناتج عن فرض قيود خصوصية موحدة في البيئات غير المتجانسة، تقترح هذه الورقة إطار عمل **GDPFed**، الذي يقسم العملاء إلى مجموعات بناءً على ميزانيات الخصوصية الخاصة بهم ويحسن نسب أخذ العينات وتخفيف كثافة النموذج لكل مجموعة لتحقيق منفعة نموذج فائقة تحت ظل الخصوصية التفاضلية على مستوى العميل.
تستقصي هذه الورقة تحدي "من الضعيف إلى القوي" في عمليات اختبار الاختراق لنماذج اللغات الكبيرة (LLM) من خلال إثبات أن معدلات نجاح الهجوم تنخفض بشكل حاد عندما تتجاوز قدرة النموذج المستهدف قدرة المهاجم، مما يؤدي إلى اقتراح "منحنى توسع كسر الحماية" للتنبؤ بالهشاشة بناءً على فجوة القدرات.
تقدم هذه الورقة PropInfer، وهو معيار لتقييم ما إذا كانت النماذج اللغوية الكبيرة (LLMs) عرضة لهجمات استنتاج الخصائص، وتثبت من خلال طرق هجوم جديدة أن النماذج اللغوية الكبيرة يمكنها بالفعل تسريب معلومات سرية حساسة على مستوى مجموعة البيانات أثناء عملية الضبط الدقيق.
تقترح هذه الورقة طريقة لتسريع استنتاج الشبكات العصبية التلافيفية (CNN) مع الحفاظ على الخصوصية وسد فجوة الدقة مع النماذج ذات النصوص الصريحة، وذلك باستخدام تقريب تربيعي منخفض الدرجة لدالة (ReLU)، وتحسينات هيكلية لتمكين التشفير المتماثل الكامل (FHE) ذي المستويات دون الحاجة إلى عملية إعادة التشكيل (bootstrapping)، وتجميع المعلمات باستخدام تقنيات التجميع (ensemble techniques).