3428 पेपर
BraveGuard एक स्व-विकसित रक्षा ढांचा (self-evolving defense framework) है जो गार्ड मॉडल्स के प्रशिक्षण के लिए यथार्थवादी एजेंट प्रक्षेपवक्र (agent trajectories) उत्पन्न करने हेतु ओपन-वर्ल्ड खतरों का खनन करता है, जो स्थिर, बेंचमार्क-संचालित दृष्टिकोणों की तुलना में कंप्यूटर-उपयोग एजेंटों के लिए सुरक्षा पहचान में महत्वपूर्ण सुधार करता है।
यह शोध पत्र OpenACC का उपयोग करके एक लर्निंग विद एरर्स (LWE) आधारित की एनकैप्सुलेशन मैकेनिज्म के GPU-त्वरित कार्यान्वयन को प्रस्तुत करता है, जो पारंपरिक CPU और H100-आधारित प्रणालियों की तुलना में NVIDIA GPUs, विशेष रूप से ग्र्रेस हॉपर सुपरचिप पर, महत्वपूर्ण गति वृद्धि (208x तक) और बेहतर ऊर्जा दक्षता प्रदर्शित करता है।
यह शोध पत्र SABER को प्रस्तुत करता है, जो एक नया बेंचमार्क है जो केवल प्रॉम्प्ट रिफ्यूज़ल (prompt refusal) के बजाय अंतिम एनवायरनमेंट स्टेट्स (final environment states) का विश्लेषण करके यथार्थवादी, स्टेटफुल प्रोजेक्ट वर्कस्पेस के भीतर LLM कोडिंग एजेंटों की परिचालन सुरक्षा का मूल्यांकन करता है, जिससे यह पता चलता है कि वर्तमान मॉडल उच्च हानिकारक सुरक्षा-उल्लंघन दरों और विशिष्ट सुरक्षा प्रोफाइल प्रदर्शित करते हैं।
यह शोध पत्र Symbolicate-Enrich-Sample को प्रस्तुत करता है, जो एक कम लागत वाला, LLM-सहायता प्राप्त पाइपलाइन है जो बड़े पैमाने पर भेद्यता अनुसंधान (vulnerability research) में लक्ष्य चयन की बाधा को दूर करने के लिए स्ट्रिप्ड विंडोज बाइनरीज़ में लाखों फंक्शन्स को उच्च-जोखिम वाले उम्मीदवारों की एक प्राथमिकता वाली संक्षिप्त सूची तक फ़िल्टर करता है।
यह शोध पत्र एक औपचारिक ढांचे को प्रस्तुत करता है जो विश्वसनीय निष्पादन वातावरण (trusted execution environments) की गोपनीयता, अखंडता और उपलब्धता को कड़ाई से सुनिश्चित करने के लिए AMD सिक्योर एन्क्रिप्टेड वर्चुअलाइजेशन (SEV) की सुरक्षा गारंटियों को अमूर्त (abstract) और सत्यापित करता है।
यह शोध पत्र एक एजेंट ऑपरेटिंग सिस्टम (AOS) की अवधारणा प्रस्तुत करता है, जो एक नया सिस्टम आर्किटेक्चर है जो संभाव्य (probabilistic), लक्ष्य-निर्देशित AI एजेंटों द्वारा उत्पन्न अद्वितीय शेड्यूलिंग, मेमोरी, सुरक्षा और गवर्नेंस की चुनौतियों को संबोधित करने के लिए पारंपरिक ऑपरेटिंग सिस्टम के भीतर या उनके साथ एजेंटिक कंट्रोल प्लेन को एकीकृत करता है, ताकि यह सुनिश्चित किया जा सके कि वे बड़े पैमाने पर नियंत्रणीय, जवाबदेह और सुरक्षित बने रहें।
यह शोध पत्र स्मूथ स्ट्रॉन्गली कॉन्वेक्स लॉस (smooth strongly convex losses) के लिए मशीन अनलर्निंग की सांख्यिकीय लागत पर निकट-इष्टतम ऊपरी और निचली सीमाएं स्थापित करता है, जो यह प्रदर्शित करता है कि इष्टतम त्रुटि दर अनलर्निंग पैरामीटर और मॉडल आयाम के बीच के संबंध के आधार पर रिट्रेनिंग-फ्रॉम-स्क्रैच (retraining-from-scratch) और घातांकीय रूप से छोटे पदों के बीच अंतर्वेशन (interpolate) करती है।
यह शोध पत्र फेयर फाइन-ट्यूनिंग (FFt) प्रस्तुत करता है, जो एक ऐसी विधि है जो इक्वलाइज्ड ऑड्स (Equalized Odds) बाधाओं के तहत पूरक डेटा पर मॉडलों को फाइन-ट्यून करके डिस्ट्रीब्यूशन इन्फरेंस हमलों को कम करती है, जो सैद्धांतिक रूप से यह सिद्ध करता है कि एडवरसेरियल लाभ निष्पक्षता विषमता (fairness disparity) द्वारा सीमित है और विविध डेटासेटों में हमले की सफलता में महत्वपूर्ण कमी को अनुभवजन्य रूप से प्रदर्शित करता है।
यह शोधपत्र SECUREVENT का प्रस्ताव करता है, जो एक हाइब्रिड AI/ML सुरक्षा आर्किटेक्चर है जो पारंपरिक क्रिप्टोग्राफिक नियंत्रणों को उन्नत विसंगति का पता लगाने (anomaly detection) और फेडरेटेड लर्निंग के साथ एकीकृत करता है ताकि उभरते खतरों के विरुद्ध इवेंट-आधारित प्रणालियों की गतिशील और वितरित प्रकृति की प्रभावी ढंग से निगरानी और सुरक्षा की जा सके।
यह शोधपत्र ContinuousBench को प्रस्तुत करता है, जो एक गतिशील रूप से पुन: उत्पन्न होने वाला बेंचमार्क है जिसे यह मूल्यांकन करने के लिए डिज़ाइन किया गया है कि क्या विभेदक रूप से निजी (differentially private) सिंथेटिक टेक्स्ट संवेदनशील कॉर्पोरा से वास्तविक ज्ञान को स्थानांतरित कर सकता है, जिससे यह पता चलता है कि जबकि गैर-निजी संश्लेषण सफल होता है, वर्तमान अत्याधुनिक विभेदक रूप से निजी विधियाँ उच्च गोपनीयता बजट पर भी ऐसा करने में विफल रहती हैं।