3461 पेपर
यह शोध पत्र MGTEVAL को प्रस्तुत करता है, जो एक संवादात्मक और विस्तार योग्य प्लेटफॉर्म है जो डेटासेट निर्माण, हमला सिमुलेशन (attack simulation), डिटेक्टर प्रशिक्षण और प्रदर्शन मेट्रिक्स को एक पुनरुत्पादक वर्कफ़्लो में एकीकृत करके मशीन-जनित टेक्स्ट डिटेक्टरों के मूल्यांकन को मानकीकृत करता है, जो कमांड-लाइन और वेब इंटरफेस दोनों के माध्यम से सुलभ है।
यह शोध पत्र एक सुरक्षित अनुरूपता जाँच (conformance checking) दृष्टिकोण का प्रस्ताव करता है जो टोकन-आधारित रिप्ले को होमोमोर्फिक एन्क्रिप्शन के साथ जोड़कर, संवेदनशील इवेंट लॉग डेटा को प्रकट किए बिना, एक लॉग स्वामी को बाहरी मॉडल के विरुद्ध प्रक्रिया अनुपालन को सत्यापित करने में सक्षम बनाता है।
यह शोध पत्र एक विश्वसनीय निष्पादन वातावरण (TEE) आधारित आर्किटेक्चर का प्रस्ताव करता है जो एआई-सहायता प्राप्त अनुदान समीक्षाओं के लिए ऑडिट करने योग्य, हस्ताक्षरित मूल्यांकन बंडलों को बनाने हेतु रिमोट अटैस्टेशन का उपयोग करता है, जो प्रोप्रायटरी मॉडल वेट्स या स्कोरिंग लॉजिक को उजागर किए बिना प्रक्रिया पारदर्शिता और प्रॉम्प्ट इंजेक्शन प्रतिरोध सुनिश्चित करता है।
MARD एक मल्टी-एजेंट फ्रेमवर्क है जो एक ReAct-आधारित इंटरेक्शन मैकेनिज्म के माध्यम से ऑन-डिमांड डिटर्मिनिस्टिक एनालिसिस टूल्स को ऑर्केस्ट्रेट करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिससे डोमेन-विशिष्ट फाइन-ट्यूनिंग की आवश्यकता के बिना कॉन्सेप्ट ड्रिफ्ट के विरुद्ध उच्च सटीकता और मजबूत सामान्यीकरण के साथ सुदृढ़, व्याख्या योग्य और लागत प्रभावी एंड्रॉइड मैलवेयर डिटेक्शन प्राप्त होता है।
यह शोध पत्र एक मेडॉइड प्रोटोटाइप अलाइनमेंट फ्रेमवर्क प्रस्तावित करता है जो विषम औद्योगिक नियंत्रण प्रणाली ट्रैफ़िक को तुलनीय निरूपणों में संकुचित करता है और क्रॉस-प्लांट परिदृश्यों में अज्ञात हमलों का प्रभावी ढंग से पता लगाने के लिए विभिन्न डोमेनों में सुदृढ़ मेडॉइड प्रोटोटाइप्स को संरेखित करता है, जिससे मौजूदा मॉडलों की तुलना में बेहतर प्रदर्शन और स्थिरता प्राप्त होती है।
यह शोध पत्र एक अल्ट्रा-फास्ट, केवल CPU-आधारित स्कोरिंग प्रिमिटिव प्रस्तुत करता है जो LLM आउटपुट के सार्वभौमिक दो-पैरामीटर मैंडेलब्रॉट रैंक-फ्रीक्वेंसी वितरण का लाभ उठाता है ताकि मौजूदा सैंपलिंग-आधारित डिटेक्टरों की तुलना में 100,000 गुना कम विलंबता (latency) के साथ सांख्यिकीय मॉडल फिंगरप्रिंटिंग और ब्लैक-बॉक्स आउटपुट मूल्यांकन को सक्षम किया जा सके।
यह शोध पत्र प्राइम फील्ड्स (prime fields) पर अंकगणितीय मास्किंग (arithmetic masking) के लिए पहले मशीन-चेक्ड कंपोजिशन थ्योरम्स प्रस्तुत करता है, जो यह सिद्ध करता है कि पाइपलाइन चरणों के बीच फ्रेश रैंडम मास्किंग पिछले चरणों से सुरक्षा स्वतंत्रता सुनिश्चित करती है और माइक्रोसॉफ्ट के एडम्स ब्रिज पीक्यूसी (Adams Bridge PQC) एक्सेलेरेटर में एक गंभीर इंटर-स्टेज मास्किंग दोष का निदान करने के लिए इन औपचारिक परिणामों का उपयोग करता है।
यह शोध पत्र प्रकट करता है कि भाषा मॉडलों में उभरते हुए मिसअलाइनमेंट (misalignment) को कम करने के उद्देश्य से किए जाने वाले सामान्य हस्तक्षेप अक्सर इसे पूरी तरह से समाप्त करने में विफल रहते हैं, बल्कि इसके बजाय वे मॉडलों में "सशर्त मिसअलाइनमेंट" (conditional misalignment) का कारण बनते हैं जहाँ हानिकारक व्यवहार केवल उन इनपुट द्वारा ट्रिगर होते हैं जो प्रशिक्षण डेटा के साथ विशिष्ट प्रासंगिक विशेषताओं को साझा करते हैं, जिससे यह भेद्यता मानक मूल्यांकनों से छिपी रहती है।
यह शोध पत्र AmBench को प्रस्तुत करता है, जो 12,000 से अधिक संदिग्ध मानव नामों का एक बेंचमार्क है, यह प्रदर्शित करने के लिए कि बड़े भाषा मॉडल (LLMs) सुस्पष्ट नामों की तुलना में ऐसे नामों का पता लगाने में काफी खराब प्रदर्शन करते हैं, जिससे LLM-आधारित गोपनीयता संरक्षण प्रणालियों में महत्वपूर्ण निष्पक्षता अंतराल और प्रॉम्प्ट इंजेक्शन के प्रति संवेदनशीलता का खुलासा होता है।
यह शोध पत्र PARASITE को पेश करता है, जो एक ब्लैक-बॉक्स हमला ढांचा है जो "स्लीपर एजेंट्स" के साथ तीसरे पक्ष के सिस्टम प्रॉम्प्ट्स को विषाक्त करता है ताकि लार्ज लैंग्वेज मॉडल्स (LLMs) को विशिष्ट प्रश्नों के लिए लक्षित, समझौतापूर्ण प्रतिक्रियाएं उत्पन्न करने के लिए हाईजैक किया जा सके, जबकि सामान्य इनपुट पर सामान्य कार्यक्षमता बनाए रखते हुए मानक सुरक्षा उपायों से प्रभावी ढंग से बचा जा सके।