284 artículos
Este estudio combina datos de una muestra representativa de estadounidenses con información de *Have I Been Pwned* para estimar que al menos el 82,84% de los adultos en EE. UU. han sufrido al menos una violación de sus cuentas en línea, con un promedio de tres brechas por persona, siendo más propensas a verse afectadas las mujeres, los blancos, las personas de mediana edad y los más educados.
Esta encuesta revisa sistemáticamente los métodos de aprendizaje federado descentralizado (DFL) desde 2018 hasta principios de 2026, proponiendo una taxonomía unificada basada en desafíos que clasifica las arquitecturas tradicionales y basadas en blockchain, al tiempo que identifica limitaciones en las prácticas de evaluación y define direcciones futuras de investigación.
Este estudio longitudinal revela que las actualizaciones sucesivas de modelos de lenguaje grandes (como GPT, Llama y Qwen) no garantizan una mejora consistente en su robustez adversarial frente a la mala clasificación, los jailbreaks y las alucinaciones, demostrando que versiones más recientes o de mayor tamaño pueden incluso degradar ciertos aspectos de seguridad.
Este artículo presenta reducciones cuánticas que establecen la dureza computacional del problema de Aprendizaje con Errores sobre Anillos de Grupo () construidos mediante productos semidirectos de grupos cíclicos no conmutativos, demostrando su viabilidad para la construcción de sistemas criptográficos de clave pública semánticamente seguros.
El artículo presenta VisPoison, un marco de ataque de puerta trasera que explota la inyección de datos en modelos de texto-a-visualización para tablas, logrando tasas de éxito superiores al 90% mediante desencadenantes sigilosos que provocan filtración de datos, visualizaciones engañosas o denegación de servicio, al tiempo que expone la insuficiencia de las estrategias de defensa actuales.
Este artículo presenta Kite, un protocolo que permite a los miembros de las Organizaciones Autónomas Descentralizadas (DAO) delegar, revocar y reasignar su poder de voto de forma privada mediante pruebas de conocimiento cero, garantizando que ni siquiera los delegados sepan quién les ha delegado su voto, todo ello implementado y evaluado en la blockchain de Ethereum.
El artículo presenta MCP Bridge, un proxy RESTful ligero y agnóstico a los modelos que habilita la conexión segura y multiplataforma con servidores MCP en entornos restringidos, complementado con la optimización de modelos Qwen mediante técnicas de aprendizaje por refuerzo para lograr un rendimiento superior en la ejecución de herramientas.
El artículo presenta JULI, un método que logra el jailbreak de modelos de lenguaje grandes mediante la manipulación de las probabilidades de registro de tokens utilizando un pequeño módulo llamado BiasNet, permitiendo atacar eficazmente modelos propietarios en configuración de caja negra sin necesidad de acceder a sus pesos internos.
Este trabajo presenta Adaptive Tamaraw, un marco unificado que combina técnicas de regularización y agrupación supersecuencial para ofrecer una defensa adaptable contra la huella digital de sitios web, logrando reducir la sobrecarga en un 99% en comparación con Tamaraw clásico mientras mantiene garantías de seguridad demostrables.
Este artículo presenta evidencias y separaciones oraculares que demuestran que, a diferencia de la pseudorrandomicidad clásica, las distintas nociones de pseudorrandomicidad cuántica no son equivalentes y no pueden construirse unas a partir de otras, revelando barreras geométricas inherentes en su relación.
Este artículo demuestra que la regla de conversión basada en la intersección de las regiones de privacidad de RDP de un solo orden es óptima y fundamental para transformar perfiles de Privacidad Diferencial de Rényi en funciones de trade-off de -Privacidad Diferencial, estableciendo el límite superior de cualquier conversión de caja negra.
Este artículo propone reevaluar y mejorar los marcos de los casos de seguridad para la IA de vanguardia, integrando lecciones de la industria de aseguramiento de seguridad crítica para superar las limitaciones de los enfoques actuales de la comunidad de alineación y ofrecer una metodología más robusta y defendible.
HeteroFedSyn es el primer marco de síntesis de datos tabulares con privacidad diferencial diseñado específicamente para entornos federados horizontales heterogéneos, que mediante innovaciones en la selección de márgenes distribuidos logra una utilidad comparable a la síntesis centralizada a pesar de la heterogeneidad de los datos y el ruido adicional.
El artículo presenta deZent, una implementación descentralizada de la anonimización z que utiliza estructuras de conteo estocástico y sumas seguras para coordinar la privacidad en redes de sensores, logrando un rendimiento comparable al enfoque centralizado mientras reduce la sobrecarga de comunicación y la dependencia de una entidad central de confianza.
El artículo presenta NetDiffuser, un marco innovador que utiliza modelos de difusión y un algoritmo de categorización de características para generar ejemplos adversarios naturales que engañan eficazmente a los sistemas de detección de intrusiones basados en aprendizaje profundo.
Este artículo presenta un marco de evaluación de privacidad multi-vectorial diseñado para cuantificar y auditar los riesgos de memorización en modelos de lenguaje genómico, demostrando que estos sistemas pueden memorizar secuencias sensibles y que se requiere una auditoría combinada para evaluar dicha vulnerabilidad de manera integral.
El artículo presenta Arbiter, un marco de evaluación que combina reglas formales y el escaneo con múltiples modelos de lenguaje para detectar patrones de interferencia en los prompts de sistema de agentes de codificación, revelando vulnerabilidades críticas y correlaciones arquitectónicas en herramientas de Anthropic, OpenAI y Google por un costo mínimo.
Este estudio caracteriza sistemáticamente el panorama de amenazas de los sistemas de inteligencia artificial multiagente (MAS) y evalúa cuantitativamente 16 marcos de seguridad, revelando que ninguno cubre la mayoría de las categorías de riesgo y destacando la necesidad urgente de nuevas estrategias para abordar vulnerabilidades únicas como la no determinación y la filtración de datos.
Este artículo presenta Lockbox, una arquitectura de confianza cero diseñada para garantizar el procesamiento seguro de cargas de trabajo sensibles en la nube mediante la aplicación de verificación explícita de confianza, aislamiento estricto y acceso de mínimo privilegio en todo el ciclo de vida de la aplicación.
Este artículo presenta un marco híbrido novedoso que combina la ejecución concolica guiada por modelos de lenguaje grande (LLM) con clasificación basada en aprendizaje profundo para detectar malware generado por IA con garantías de corrección, superando significativamente a las soluciones de detección convencionales en precisión y eficiencia.