362 artículos
El artículo presenta PRIVATEEDIT, una pipeline que preserva la privacidad en la edición generativa de imágenes centrada en rostros mediante el uso de enmascaramiento en el dispositivo para separar los datos biométricos sensibles del contexto editable, permitiendo así un control total del usuario sobre su identidad sin exponerla a modelos de terceros.
Este trabajo presenta el Verificador de Múltiples Secuencias (MSV), un modelo innovador que procesa conjuntamente todas las soluciones candidatas para mejorar la calibración y permitir una detención temprana eficiente, logrando así una precisión comparable con la mitad de la latencia en comparación con los métodos de verificación aislada.
SENTINEL es un mecanismo de verificación ligero basado en promedios móviles exponenciales que garantiza la integridad del entrenamiento descentralizado de modelos grandes mediante paralelismo de pipeline en nodos no confiables, detectando comunicaciones corruptas sin duplicar cálculos y manteniendo garantías teóricas de convergencia.
Este estudio propone un enfoque estructurado de evaluación de riesgos impulsado por objetivos, que utiliza árboles de ataque para contextualizar amenazas en sistemas de salud potenciados por LLMs, integrando ciberataques convencionales con vulnerabilidades específicas de los modelos de lenguaje para facilitar la priorización de riesgos y el diseño seguro.
Este artículo presenta la inyección de prompts basada en imágenes, un ataque de caja negra que incrusta instrucciones adversarias en imágenes naturales para manipular el comportamiento de los modelos de lenguaje multimodal, logrando hasta un 64% de éxito al mantener el sigilo visual.
Este trabajo propone un modelo SEIRV con recaídas e intervenciones para analizar la dinámica y el control de malware, identificando estrategias óptimas mediante optimización híbrida y demostrando que el retraso en la intervención reduce exponencialmente los casos evitados.
Este artículo propone un marco de inyección de perturbaciones fractales consciente de la estructura (TFI) que demuestra cómo las propiedades arquitectónicas de los modelos en el aprendizaje federado influyen decisivamente en la efectividad y supervivencia de los ataques backdoor, introduciendo métricas como el SCC para predecir su éxito.
Este estudio evalúa la viabilidad y las limitaciones de los agentes impulsados por LLM para auditar patrones oscuros en los flujos de trabajo de solicitudes de derechos de datos, demostrando su capacidad y sus fallos al analizar 456 sitios web de corredores de datos en el contexto de la CCPA.
Este trabajo propone un sistema neuro-simbólico híbrido que utiliza relaciones semánticas hiperónimo-hipónimo para extraer inteligencia de amenazas cibernéticas y generar automáticamente reglas de firewall mediante agentes de IA y sistemas expertos, demostrando una mayor eficacia en la mitigación de amenazas en comparación con enfoques basales.
Este artículo propone un marco de puntuación de calidad multidimensional para la inferencia descentralizada de modelos de lenguaje, que tras auditar y calibrar sus componentes logra superar a evaluadores individuales y mejorar los mecanismos de incentivos existentes frente a comportamientos adversarios.
Este artículo presenta CAM-LDS, un nuevo conjunto de datos de registros de ciberataques generado en un entorno de código abierto que cubre múltiples tácticas y técnicas, diseñado para superar la escasez de datos etiquetados y facilitar la interpretación automática de registros y alertas de seguridad mediante el uso de Modelos de Lenguaje Grande (LLM).
Este trabajo introduce una nueva noción cuantitativa de privacidad, llamada "Privacidad Adversarial Bayesiana", que supera a la privacidad diferencial y a la teoría de divulgación estadística al basarse en la teoría de decisiones bayesianas, donde las decisiones de divulgación se toman desde una perspectiva previa en lugar de condicional a los datos observados.
El artículo presenta PTOPOFL, un marco de aprendizaje federado personalizado que protege la privacidad y mejora la precisión en distribuciones no IID al sustituir el intercambio de gradientes por descriptores topológicos de homología persistente, logrando una menor fuga de información y un rendimiento superior en escenarios de salud y patológicos.
Este trabajo presenta la Regularización de Jacobiano Alineada Adversarialmente (AAJR), un método que mejora la robustez de los sistemas de IA agéntica al controlar la sensibilidad únicamente en direcciones de ascenso adversario, logrando así una mayor estabilidad en el entrenamiento minimax sin imponer restricciones globales conservadoras que degraden el rendimiento nominal.
Este estudio analiza un conjunto de datos de 10 años en YouTube para revelar que, aunque el marketing de afiliados es omnipresente, el cumplimiento de las normas de divulgación de la FTC es bajo, demostrando que las funciones estandarizadas de la plataforma son clave para mejorar la transparencia y la confianza en la economía de los influencers.
Los autores inician la transición hacia redes de comunicación cuántica multiusos al demostrar la implementación de protocolos de transferencia oblivia y tokens cuánticos en hardware de distribución de claves cuánticas existente, estableciendo una metodología integral para evaluar su seguridad y rendimiento.
Este artículo presenta una revisión integral del acuerdo de clave cuántica multiparty (MQKA) que lo conceptualiza como un espacio de diseño basado en arquitectura, recursos y seguridad, identificando desafíos abiertos y proponiendo una hoja de ruta para su implementación en el futuro internet cuántico.
Este artículo propone un marco de aprendizaje federado para XGBoost que garantiza la seguridad y la eficiencia en entornos multi-partes mediante el uso de compartición de secretos y optimización distribuida, superando las limitaciones de fugas de datos y sobrecarga de comunicación de los modelos existentes.