3493 पेपर
यह शोध पत्र एक मोडैलिटी-अज्ञेयवादी (modality-agnostic) यांत्रिक विसंगति पहचान ढांचे को प्रस्तुत करता है जो विजन और लैंग्वेज मॉडल्स में बैकडोर्स, एडवरसैरियल एग्जांपल्स और आउट-ऑफ-डिस्ट्रीब्यूशन सैंपल्स का पता लगाने के लिए कार्यात्मक एट्रिब्यूशन (functional attribution) के रूप में समस्या को पुनर्गठित करने हेतु इन्फ्लुएंस फंक्शन्स का उपयोग करके विसंगत आंतरिक तंत्रों की पहचान करता है।
यह शोध पत्र फीनिक्स (Phoenix) को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त मल्टी-एजेंट फ्रेमवर्क है जो गेरकिन (Gherkin) विनिर्देशों के माध्यम से प्रोजेक्ट-विशिष्ट व्यवहारिक अनुबंधों (behavioral contracts) को संश्लेषित करके वैश्विक भेद्यता वर्गीकरण की सीमाओं को दूर करता है, जिससे यह अत्याधुनिक पहचान सटीकता प्राप्त करता है और यह प्रदर्शित करता है कि सुरक्षा एक पूर्ण सिंटैक्स के बजाय संदर्भ द्वारा परिभाषित एक सापेक्ष गुण है।
यह शोध पत्र "Refute-or-Promote" को प्रस्तुत करता है, जो एक प्रतिकूल मल्टी-एजेंट फ्रेमवर्क है जो LLM-सहायता प्राप्त दोष खोज (defect discovery) में फॉल्स पॉजिटिव्स को फ़िल्टर करने के लिए स्ट्रैटिफाइड कॉन्टेक्स्ट हंटिंग, क्रॉस-मॉडल क्रिटीक और अनिवार्य एम्पिरिकल वैलिडेशन का उपयोग करता है, जिससे उच्च परिशुद्धता और वास्तविक दुनिया का प्रभाव प्राप्त होता है जिसमें सुरक्षा लाइब्रेरी और कंपाइलर में कई CVEs और मानक स्वीकृतियां शामिल हैं।
यह शोध पत्र ProjLens प्रस्तुत करता है, जो एक व्याख्यात्मकता ढांचा (interpretability framework) है जो यह प्रकट करता है कि मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स में बैकडोर हमले कैसे प्रोजेक्टर्स के भीतर लो-रैंक सबस्पेस का शोषण करते हैं और सक्रियण के लिए इनपुट-नॉर्म-डिपेंडेंट सिमेंटिक शिफ्ट का उपयोग करते हैं, जिससे सुरक्षा शमन में सहायता के लिए उनके अंतर्निहित तंत्रों को स्पष्ट किया जा सके।
यह शोध पत्र DP-FLogTinyLLM का प्रस्ताव करता है, जो एक डिफरेंशियल प्राइवेट फेडरेटेड लर्निंग फ्रेमवर्क है जो वितरित संगठनों के बीच कच्चे डेटा को साझा किए बिना सहयोगात्मक लॉग विसंगति का पता लगाने में सक्षम करने के लिए LoRA के साथ पैरामीटर-कुशल Tiny LLMs का लाभ उठाता है, जो केंद्रीकृत तरीकों के समान प्रदर्शन प्राप्त करता है और साथ ही मौजूदा फेडरेटेड बेसलाइन की तुलना में प्रिसिजन (precision) और F1-स्कोर में काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र DeepRed प्रस्तुत करता है, जो एक ओपन-सोर्स बेंचमार्क है जो आंशिक-क्रेडिट स्कोरिंग और स्वचालित लॉग विश्लेषण का उपयोग करके यथार्थवादी कैप्चर द फ्लैग चुनौतियों पर LLM एजेंटों का मूल्यांकन करता है, जिससे यह पता चलता है कि वर्तमान मॉडल सीमित सफलता (औसतन 35% चेकपॉइंट पूर्णता) प्राप्त करते हैं और गैर-मानक खोज एवं लंबी-अवधि अनुकूलन कार्यों के साथ संघर्ष करते हैं।
यह शोध पत्र इनवॉलंटरी इन-कॉन्टेक्स्ट लर्निंग (IICL) को प्रस्तुत करता है, जो एक ऐसी हमला पद्धति है जो बड़े भाषा मॉडलों (LLMs) में सुरक्षा संरेखण (safety alignment) को बायपास करने के लिए अमूर्त ऑपरेटर फ्रेमिंग और फ्यू-शॉट पैटर्न पूर्णता का लाभ उठाती है, जिससे GPT-5.4 के विरुद्ध हार्मबेंच (HarmBench) बेंचमार्क पर सिमेंटिक ऑपरेटर नेमिंग पर 100% बायपास दर और 24% सफलता दर प्राप्त होती है।
EvoPatch-IoT एक विकास-जागरूक (evolution-aware) ढांचा है जो गुमनाम निर्देश विशेषताओं (anonymous instruction features) और ऐतिहासिक फंक्शन प्रोटोटाइप का लाभ उठाकर स्ट्रिप्ड (stripped) BusyBox-आधारित IoT फर्मवेयर में क्रॉस-आर्किटेक्चर भेद्यता पुनर्प्राप्ति (vulnerability retrieval) और पैच-स्टेट प्रोफाइलिंग को सक्षम बनाता है, जो बेसलाइन की तुलना में महत्वपूर्ण प्रदर्शन सुधार प्राप्त करता है और मैन्युअल निरीक्षण प्रयासों को लगभग 99% तक कम करता है।
यह शोध पत्र बिटकॉइन धोखाधड़ी का पता लगाने के लिए ग्राफ न्यूरल नेटवर्क (GNNs) के फीचर-ओनली बेसलाइन्स से बेहतर होने के प्रचलित सर्वसम्मति को चुनौती देता है, यह प्रदर्शित करते हुए कि टेम्पोरल डिस्ट्रीब्यूशन शिफ्ट को ध्यान में रखते हुए सख्त, लीकेज-मुक्त इंडक्टिव इवैल्यूएशन प्रोटोकॉल के तहत, रैंडम फॉरेस्ट जैसे पारंपरिक मॉडल GNNs से काफी बेहतर प्रदर्शन करते हैं, जबकि डेटासेट की वास्तविक टोपोलॉजी रैंडम ग्राफ संरचनाओं की तुलना में वास्तव में हानिकारक भी हो सकती है।
यह शोध पत्र एक संरचित पाइपलाइन प्रस्तुत करता है जो रनटाइम व्यवहार के आधार पर अस्पष्ट (obfuscated) XSS पेलोड उत्पन्न करने और उनका मूल्यांकन करने के लिए नियतात्मक तकनीकों (deterministic techniques) को लार्ज लैंग्वेज मॉडल्स के साथ जोड़ता है, जो यह प्रकट करता है कि जबकि फाइन-ट्यूनिंग व्यवहार संबंधी संरक्षण (behavioral preservation) में सुधार करती है, वर्तमान LLMs अभी भी ऐसे वैध अस्पष्टन (obfuscations) बनाने में संघर्ष करते हैं जो डाउनस्ट्रीम मशीन लर्निंग डिटेक्शन प्रदर्शन को बढ़ाते हैं।