362 Arbeiten
Die Arbeit stellt PRIVATEEDIT vor, eine datenschutzfreundliche Pipeline, die durch lokale Segmentierung und Maskierung biometrische Daten bei gesichtszentrierten Bildbearbeitungen schützt, ohne dass diese an Drittanbieter-Modelle übermittelt werden müssen.
Die vorgestellte Arbeit führt den Multi-Sequence Verifier (MSV) ein, der durch die gemeinsame Verarbeitung aller Kandidatenlösungen die Kalibrierung verbessert und durch ein neuartiges Streaming-Framework die Latenz bei parallelem Test-Time-Scaling im Vergleich zu isolierten Verifizierungsansätzen um etwa die Hälfte reduziert.
Das Paper stellt SENTINEL vor, einen leichten Verifikationsmechanismus auf Basis von Exponential Moving Averages, der die Integrität beim dezentralen Pipeline-Parallel-Training über unzuverlässige Knoten sicherstellt, ohne Berechnungen zu duplizieren, und dabei theoretische Konvergenzgarantien sowie erfolgreiche Experimente mit 4-Milliarden-Parameter-Modellen bietet.
Diese Studie stellt einen strukturierten, zielorientierten Ansatz zur Risikobewertung von LLM-gestützten Systemen vor, der durch den Einsatz von Angriffsbäumen spezifische Bedrohungen im Gesundheitswesen kontextualisiert und so die sichere Entwicklung solcher Systeme fördert.
Diese Arbeit untersucht Image-based Prompt Injection (IPI), eine Black-Box-Angriffsmethode, bei der durch visuelle Anpassungen getarnte adversarische Anweisungen in Bilder eingebettet werden, um Multimodal Large Language Models (MLLMs) erfolgreich zu manipulieren und dabei bis zu 64 % Erfolgsrate unter Stealth-Bedingungen zu erreichen.
Diese Arbeit entwickelt ein SEIRV-Epidemiemodell mit Rückfällen und Interventionen, um die Ausbreitung von Internet-Malware zu analysieren, Stabilitätsbedingungen und kritische Parameter zu bestimmen sowie eine hybride Optimierungsmethode zur Identifizierung kosteneffizienter Kontrollstrategien vorzuschlagen, deren Wirksamkeit durch Kalibrierung mit realen Daten unterstreicht wird.
Diese Arbeit untersucht, wie die Modellarchitektur die Wirksamkeit von Backdoor-Angriffen im Federated Learning beeinflusst, und stellt einen strukturwahrnehmenden Rahmen mit neuen Metriken vor, der zeigt, dass Angriffe nicht nur von der Vergiftungsintensität, sondern maßgeblich von der Wechselwirkung zwischen Architektur und Aggregationsmechanismen abhängen.
Diese Studie untersucht die Eignung von LLM-gesteuerten Agenten für die Skalierung von Audits zu Dark Patterns, indem sie deren Fähigkeit zur Erkennung manipulativer Interface-Designs und zur automatisierten Abwicklung von CCPA-Datenrechtsanfragen auf 456 Datenbroker-Websites analysiert und dabei sowohl deren Machbarkeit als auch ihre aktuellen Grenzen aufzeigt.
Diese Arbeit stellt ein hybrides Neuro-Symbol-System vor, das semantische Hypernym-Hyponym-Beziehungen in Cyber-Threat-Intelligence-Berichten nutzt, um automatisch CLIPS-Regeln für Expertensysteme zu generieren und so Firewall-Regeln zur Bedrohungsabwehr zu erstellen.
Diese Arbeit stellt ein mehrdimensionales Framework zur Bewertung der Ausgabequalität bei dezentraler LLM-Inferenz vor, das durch systematische Kalibrierung und Gewichtung zuverlässiger Dimensionen eine robuste, adversariefeste Qualitätsbewertung für Proof-of-Quality-Mechanismen ermöglicht.
Die Arbeit stellt den CAM-LDS vor, einen umfassenden, open-source Datensatz mit sieben Angriffsszenarien und 81 Techniken, der entwickelt wurde, um die Lücke bei öffentlich verfügbaren, gelabelten Logdaten zu schließen und die automatisierte, semantische Interpretation von Systemprotokollen und Sicherheitswarnungen durch Large Language Models zu ermöglichen.
Diese Arbeit stellt ein neues, kontextspezifisches quantitatives Privatsphärenkonzept vor, das auf der Bayesianischen Entscheidungstheorie basiert und durch eine vorab getroffene Offenlegungsentscheidung sowie eine explizitere Formulierung als Differential Privacy und statistische Offenlegungstheorie überzeugt.
Die Arbeit stellt PTOPOFL vor, ein privatsphäreschonendes Framework für personalisiertes Federated Learning, das durch den Austausch topologischer Deskriptoren anstelle von Gradienten sowohl Daten-Rekonstruktionsangriffe verhindert als auch die Leistung bei nicht-IID-Datenverteilungen verbessert.
Die Arbeit stellt die Adversarially-Aligned Jacobian Regularization (AAJR) vor, eine Trajektorien-orientierte Methode, die die Empfindlichkeit von agentic KI-Systemen gezielt entlang adversarieller Aufstiegsrichtungen reguliert, um so die Stabilität des Minimax-Trainings zu gewährleisten, ohne die globale Ausdruckskraft der Modelle unnötig einzuschränken.
Diese Studie analysiert ein zehnjähriges YouTube-Datenset und stellt fest, dass Affiliate-Marketing zwar weit verbreitet ist, die Einhaltung der FTC-Vorschriften zur Offenlegung jedoch gering bleibt, wobei plattformseitige Standardisierungsfunktionen als wirksames Mittel zur Verbesserung der Compliance identifiziert werden.
Dieses Papier demonstriert die Implementierung von Quantum-Oblivious-Transfer und Quantum-Tokens auf derselben QKD-Hardware, um den Übergang zu vielseitigen Quantenkommunikationsnetzwerken zu ermöglichen.
Dieser Übersichtsartikel bietet eine umfassende Analyse der Mehrparteien-Quantenschlüsselvereinbarung (MQKA), die Protokolle entlang der Achsen Netzwerkarchitektur, Quantenressourcen und Sicherheitsmodelle kategorisiert und offene Herausforderungen sowie Forschungsrichtungen für zukünftige Quanteninternet-Implementierungen identifiziert.
Diese Arbeit stellt ein effizientes und sicherheitsgewährleistendes Framework für das mehrparteiliche Federated XGBoost vor, das durch Geheimhaltungsverfahren und verteilte Optimierung Datenlecks vermeidet und dabei die Kommunikations- sowie Rechenaufwände im Vergleich zu bestehenden Zwei-Parteien-Lösungen erheblich reduziert.