3428 पेपर
GETA एक प्रोटोकॉल-अज्ञेय (protocol-agnostic) फ्रेमवर्क है जो विविध डोमेन में सुदृढ़, फ्यू-शॉट एन्क्रिप्टेड ट्रैफ़िक विश्लेषण प्राप्त करने के लिए ट्रैफ़िक मेटाडेटा, मेटा-लर्निंग और सेल्फ-अटेंशन का लाभ उठाता है, जो पारंपरिक डीप पैकेट इंस्पेक्शन और मौजूदा मशीन लर्निंग दृष्टिकोणों की सीमाओं को प्रभावी ढंग से दूर करता है।
यह शोध पत्र प्रदर्शित करता है कि निरंतर-गहराई वाले क्वांटम सर्किट डेंस-स्पार्स एलपीएन (Dense-Sparse LPN) धारणा के आधार पर अनestimable (अनुमान न लगाने योग्य) एंटैंगलमेंट एंट्रॉपी वाले छद्म-एंटैंगल्ड (pseudoentangled) अवस्थाओं को उत्पन्न कर सकते हैं, जिससे उथले-सर्किट शासन (shallow-circuit regime) में छद्म-एंटैंगलमेंट (pseudoentanglement) को छद्म-यादृच्छिकता (pseudorandomness) से अलग किया जा सकता है और स्थानीय हैमिल्टोनियन ग्राउंड स्टेट्स की एंटैंगलमेंट संरचना को सीखने के लिए क्वांटम कठिनाई स्थापित की जा सकती है।
यह शोध पत्र एक स्टेटफुल ऑनलाइन मॉनिटरिंग सिस्टम पेश करता है जो कई उपयोगकर्ता खातों में कमजोर संदिग्ध संकेतों को वास्तविक समय में एकत्रित करके वितरित एजेंट हमलों (डिस्ट्रीब्यूटेड एजेंट अटैक्स) का पता लगाता है, जो नगण्य विलंबता (लेटेंसी) बनाए रखते हुए पारंपरिक सिंगल-कॉन्टेक्स्ट मॉनिटर्स की सीमाओं को प्रभावी ढंग से दूर करता है।
यह शोध पत्र GLEAN का प्रस्ताव देता है, जो एक नवीन प्रमाणित रक्षा ढांचा (certified defense framework) है जो स्पूरियस सहसंबंधों (spurious correlations) से कारण संबंधों (causal relations) को अलग करने के लिए कॉज़ल फैक्टर लर्निंग का लाभ उठाता है, जिससे मॉडल को विभिन्न डेटा डोमेन में वितरण बदलावों (distribution shifts) का सामना करने पर भी प्रतिकूल हमलों (adversarial attacks) के विरुद्ध सैद्धांतिक मजबूती की गारंटी बनाए रखने में सक्षम बनाया जा सके।
यह शोध पत्र लार्ज लैंग्वेज मॉडल्स (LLMs) में कमजोरियों की वर्तमान स्थिति की समीक्षा करता है, जो विशेष रूप से जेलब्रेकिंग और प्रॉम्प्ट इंजेक्शन हमलों पर केंद्रित है, साथ ही LLM सुरक्षा और सुरक्षित परिनियोजन को बढ़ाने के लिए मौजूदा रक्षा रणनीतियों, मूल्यांकन मेट्रिक्स और भविष्य की अनुसंधान दिशाओं का विश्लेषण करता है।
यह शोध पत्र एक नवीन शोर-जागरूक (noise-aware) स्टोकेस्टिक ग्रेडिएंट वेरिएशनल इन्फरेंस पद्धति प्रस्तावित करता है जो उच्च-आयामी और गैर-संयुग्मी (non-conjugate) मॉडलों तक डिफरेंशियल प्राइवेट बायेसियन इन्फरेंस का विस्तार करती है, जिससे उन स्थानों पर सटीक पोस्टीरियर मूल्यांकन और सुव्यवस्थित भविष्यवाणियाँ प्राप्त होती हैं जहाँ मौजूदा दृष्टिकोण विफल हो जाते हैं।
यह शोध पत्र यह प्रदर्शित करता है कि जेनेरेटिव एआई द्वारा जनरेट किए गए सिंथेटिक डेटा के साथ प्रशिक्षण डेटासेट को बढ़ाना, जिसमें 'निमाई' (Nimai) नामक एक नवीन विधि शामिल है, मशीन लर्निंग-आधारित सुरक्षा क्लासिफायर के प्रदर्शन और अनुकूलन क्षमता में महत्वपूर्ण सुधार कर सकता है, विशेष रूप से डेटा-सीमित सेटिंग्स में, जबकि साथ ही उन विशिष्ट डेटा विशेषताओं की भी पहचान करता है जो इस तरह के सुधारों में बाधा डाल सकती हैं।
यह शोधपत्र BadBlocks को प्रस्तुत करता है, जो टेक्स्ट-टू-इमेज डिफ्यूजन मॉडल्स के लिए एक हल्का और गुप्त बैकडोर हमला है, जो न्यूनतम कंप्यूटेशनल संसाधनों के साथ उच्च सफलता दर प्राप्त करने के लिए विशिष्ट UNet ब्लॉक्स को चुनिकी रूप से ज़हरीला (poison) बनाता है और अत्याधुनिक सुरक्षा प्रणालियों से बच जाता है।
यह शोध पत्र CyberTeam को प्रस्तुत करता है, जो एक बेंचमार्क फ्रेमवर्क है जो ब्लू टीम थ्रेट हंटिंग को 30 कार्यों और 9 परिचालन मॉड्यूल के एक संरचित, मॉड्यूलर वर्कफ़्लो में मानकीकृत करता है ताकि LLMs का मार्गदर्शन किया जा सके, जो यह प्रदर्शित करता है कि यह दृष्टिकोण ओपन-एंडेड रीजनिंग रणनीतियों की तुलना में थ्रेट एनालिसिस प्रदर्शन में महत्वपूर्ण सुधार करता है।
यह शोध पत्र एक अनुभवजन्य अध्ययन प्रस्तुत करता है जो यह प्रकट करता है कि साइबर थ्रेट इंटेलिजेंस में एलएलएम (LLM) की प्राथमिक कमजोरियां जेनेरिक मॉडल दोषों के बजाय डोमेन की अंतर्निहित विषमता और अस्थिरता से उत्पन्न होती हैं, जो लक्षित सुरक्षा उपायों के माध्यम से तीन विशिष्ट संज्ञानात्मक विफलता मोड की पहचान करने और उन्हें कम करने के लिए एक मानव-इन-द-लूप फ्रेमवर्क पेश करता है।