296 Arbeiten
Die Studie schätzt anhand von Daten einer repräsentativen US-Stichprobe und der Plattform „Have I Been Pwned", dass mindestens 82,84 % der Amerikaner bereits mindestens dreimal Opfer von Online-Kontobrüchen geworden sind, wobei gebildetere, mittelalte Frauen und Weiße ein höheres Risiko aufweisen.
Diese Arbeit bietet eine umfassende Übersicht über dezentriertes Federated Learning (DFL) von 2018 bis 2026, klassifiziert die Methoden in traditionelle und blockchain-basierte Ansätze, entwickelt eine einheitliche, herausforderungsorientierte Taxonomie und identifiziert kritische Forschungsbedarfslücken in Bezug auf Topologie, Privatsphäre, Anreize und Modellziele.
Diese Studie untersucht die longitudinale Robustheit von drei prominenten LLM-Familien (GPT, Llama, Qwen) gegenüber Adversarial Examples und zeigt, dass Modell-Updates nicht konsistent zu verbesserten Sicherheitsmerkmalen führen, sondern teilweise zu Verschlechterungen bei Missklassifizierung, Jailbreaks oder Halluzinationen führen können.
Diese Arbeit stellt das Learning-with-Errors-Problem über Gruppenringen, die auf Semi-Direkt-Produkten zyklischer Gruppen basieren, vor und beweist dessen Härte durch zwei polynomielle Quantenreduktionen vom Worst-Case-SIVP-Problem, was die Konstruktion semantisch sicherer Public-Key-Kryptosysteme ermöglicht.
Die Studie stellt VisPoison vor, ein Backdoor-Angriffsframework, das Text-zu-Visualisierung-Modelle für tabellarische Daten durch Datenvergiftung mit versteckten Auslösern manipuliert, um sensible Daten zu enthüllen, irreführende Visualisierungen zu erzeugen oder Denial-of-Service-Angriffe auszulösen.
Das Paper stellt Kite vor, ein Protokoll für DAOs, das die private Delegation von Stimmrechten ermöglicht, sodass weder die Identität des Delegierenden noch die des Delegierten öffentlich einsehbar ist, und demonstriert dessen praktische Umsetzbarkeit als Erweiterung von Governor Bravo auf Ethereum.
Die Arbeit stellt MCP Bridge vor, einen leichtgewichtigen, LLM-agnostischen RESTful-Proxy, der die Einschränkungen lokaler MCP-Server umgeht und durch eine sichere, plattformübergreifende Schnittstelle sowie ein speziell für strenge Protokollkonformität optimiertes Qwen3-Modell die Integration von LLMs in ressourcenbeschränkten Umgebungen ermöglicht.
Die Arbeit stellt JULI vor, eine neue Angriffsmethode, die große Sprachmodelle im Black-Box-Setting allein durch die Manipulation der Token-Wahrscheinlichkeiten unter Verwendung eines kleinen Plug-ins namens BiasNet umgeht, ohne Zugriff auf die Modellgewichte zu benötigen.
Die Studie stellt einen neuen, clusterbasierten Rahmen für Website-Fingerprinting-Verteidigungen vor, der durch die adaptive Kombination von Regularisierung und supersequenzbasierten Gruppen die Sicherheit nachweisbar gewährleistet und gleichzeitig den Overhead im Vergleich zu klassischen Methoden wie Tamaraw drastisch reduziert.
Die Arbeit liefert unitäre Orakel-Trennungen, die belegen, dass verschiedene Konzepte der Quanten-Pseudorandomness nicht äquivalent sind und bestimmte Konstruktionen, wie etwa die Ableitung von Quanten-Pseudorandom-Generatoren aus logarithmisch langen PRFSGs, inhärenten Fehlergrenzen unterliegen.
Die Arbeit beweist, dass die Konversionsregel, die auf dem Schnitt der RDP-Privatsphärenregionen basiert, die optimale und nicht weiter verbesserbare Methode ist, um aus Rénýi-Differentialprivacy-Garantien die schärfstmöglichen -Differentialprivacy-Grenzen abzuleiten.
Diese Arbeit kritisiert die aktuellen Ansätze der Alignment-Community für Sicherheitsnachweise bei Frontier-KI-Systemen, leitet Erkenntnisse aus etablierten Sicherheitsverfahren kritischer Industrien ab und entwickelt ein fundierteres Rahmenwerk, um robuste und verteidigbare Sicherheitsnachweise für spezifische Risiken wie täuschende Ausrichtung und CBRN-Fähigkeiten zu erstellen.
Das Paper stellt HeteroFedSyn vor, das erste differenziell private Framework zur Synthese tabellarischer Daten in horizontalen federierten Umgebungen, das durch innovative Techniken zur verteilten Auswahl von Randverteilungen eine hohe Datennützlichkeit trotz heterogener Datenverteilungen und erhöhten Rauschens erreicht.
Die Arbeit stellt deZent vor, ein dezentrales Framework für z-Anonymität in Sensor-Netzwerken, das durch eine leichte Koordination und sichere Summenbildung die Abhängigkeit von einer vertrauenswürdigen Zentralinstanz minimiert und dabei eine vergleichbare Datenschutzqualität bei geringerem Kommunikationsaufwand erreicht.
Die Arbeit stellt NetDiffuser vor, ein neuartiges Framework, das mithilfe von Diffusionsmodellen und einer speziellen Feature-Kategorisierung natürlich wirkende adversarial Beispiele erzeugt, um Deep-Learning-basierte Netzwerkintrusionserkennungssysteme effektiver zu täuschen als bisherige Angriffe.
Die Studie stellt ein umfassendes, mehrdimensionales Bewertungsframework vor, das die Risiken der Memorierung sensibler genomischer Daten in genomischen Sprachmodellen quantifiziert und zeigt, dass eine Kombination verschiedener Angriffsmethoden für eine zuverlässige Privatsphäre-Auditing unerlässlich ist.
Die Arbeit stellt Arbiter vor, ein Framework zur Erkennung von Interferenzmustern in Systemprompts von LLM-Coding-Agenten, das durch formale Regeln und Multi-Modell-Analysen bei drei großen Anbietern zahlreiche Schwachstellen aufdeckt und zeigt, dass die Prompt-Architektur die Fehlerklassen, nicht aber deren Schweregrad bestimmt.
Diese Studie charakterisiert erstmals systematisch die einzigartigen Sicherheitsbedrohungen von Multi-Agenten-Systemen und bewertet empirisch 16 KI-Sicherheitsframeworks, wobei sie feststellt, dass keine der bestehenden Lösungen eine umfassende Abdeckung bietet und insbesondere Risiken wie Nicht-Determinismus und Datenlecks unzureichend adressiert werden.
Das Paper stellt Lockbox vor, eine Zero-Trust-Architektur, die durch explizite Vertrauensprüfung, starke Isolation und policy-gesteuerte Durchsetzung die sichere Verarbeitung sensibler Cloud-Workloads unter strengen Sicherheitsanforderungen ermöglicht.
Diese Arbeit stellt einen hybriden Analyse-Rahmen vor, der konkolische Ausführung, LLM-gesteuerte Pfadpriorisierung und Deep Learning kombiniert, um Zero-Day-Malware, die von KI generiert wurde, mit mathematisch bewiesenen Garantien und überlegener Genauigkeit zu erkennen.