3528 पेपर
यह शोध पत्र H-Elo प्रस्तुत करता है, जो एक फुली होमोमॉर्फिक एन्क्रिप्शन-आधारित प्रोटोकॉल है जो संवेदनशील उपयोगकर्ता डेटा को उजागर किए बिना पारंपरिक रेटिंग सिस्टम को सुरक्षित रूप से अपडेट करके निजी मैचमेकिंग को सक्षम बनाता है, और प्लेनटेक्स्ट कार्यान्वयन के तुलनीय सटीकता प्राप्त करते हुए गोपनीयता रिसाव को काफी कम करता है।
यह शोध पत्र दुर्भावनापूर्ण क्लाइंट्स के विरुद्ध फेडरेटेड लर्निंग में हाइब्रिड होमोमोर्फिक एन्क्रिप्शन को सुरक्षित करने के लिए दो प्रमुख सुरक्षा तंत्रों—मास्किंग और RSA एनकैप्सुलेशन—का प्रस्ताव और मूल्यांकन करता है, जो यह प्रदर्शित करता है कि ये विधियाँ न्यूनतम कम्प्यूटेशनल और संचार ओवरहेड के साथ मॉडल सटीकता बनाए रखते हुए निजी अपडेट के प्रदर्शन को प्रभावी ढंग से रोकती हैं।
यह शोध पत्र दो नए बेंचमार्क का उपयोग करके आधुनिक सॉलिडिटी (Solidity) 0.8+ स्मार्ट कॉन्ट्रैक्ट्स में रीएंट्रेंसी (reentrancy) कमजोरियों का पता लगाने में पारंपरिक स्टैटिक एनालाइजर्स, मशीन लर्निंग मॉडल और लार्ज लैंग्वेज मॉडल्स की प्रभावशीलता का मूल्यांकन करता है, जो यह प्रकट करता है कि अग्रणी एलएलएम (LLMs) मौजूदा उपकरणों की तुलना में काफी बेहतर प्रदर्शन करते हैं और वर्तमान डिटेक्शन मजबूती में महत्वपूर्ण अंतराल को उजागर करते हैं।
यह अध्ययन EMBERv2 फीचर्स को एकीकृत करने और विविध बेंचमार्क जैसे कि TRITIUM, INFERNO, और SOREL-20M में उनके प्रदर्शन का परीक्षण करने के लिए संयुक्त डेटासेट (EMBER, BODMAS, और ERMDS) पर मॉडल को प्रशिक्षित करके, पोर्टेबल एक्जीक्यूटेबल (Portable Executable) मैलवेयर का पता लगाने में मशीन लर्निंग मॉडलों की स्थानांतरणीयता (transferability) और सामान्यीकरण (generalization) को बढ़ाने के लिए विभिन्न डेटा प्रीप्रोसेसिंग दृष्टिकोणों की उपयुक्तता का मूल्यांकन करता है।
यह शोध पत्र सॉफ्टवेयर-डिफ़ाइंड व्हीकल (SDV) सुरक्षा और गोपनीयता का विश्लेषण करने के लिए एक व्यवस्थित साहित्य समीक्षा और उद्योग सर्वेक्षण प्रस्तुत करता है, जिसके परिणामस्वरूप एक व्यापक सुरक्षा ढांचा प्राप्त होता है जो मिश्रित-क्रिटिकैलिटी चुनौतियों, स्तरित रक्षा प्रणालियों और इंटेलिजेंट ट्रांसपोर्टेशन सिस्टम के लिए इन-व्हीकल और क्लाउड-आधारित सुरक्षा के सामंजस्य को संबोधित करता है।
यह अध्ययन 502 प्रतिभागियों के साथ एक रैंडमाइज्ड-कंट्रोल्ड ट्रायल के माध्यम से यह प्रदर्शित करता है कि दुर्भावनापूर्ण एलएलएम-आधारित संवादात्मक एजेंट, विशेष रूप से वे जो सामाजिक रणनीतियों का उपयोग करते हैं, अपने सौहार्दपूर्ण समकक्षों की तुलना में उपयोगकर्ताओं से काफी अधिक व्यक्तिगत जानकारी को सफलतापूर्वक और सूक्ष्मता से निकाल सकते हैं, जिससे जेनरेटिव एआई में एक महत्वपूर्ण नए गोपनीयता खतरे का पता चलता है।
यह शोध पत्र NeuroStrike को पेश करता है, जो एक नवीन हमला ढांचा (attack framework) है जो सुरक्षा तंत्रों को बायपास करने के लिए संरेखित (aligned) लार्ज लैंग्वेज मॉडल्स की विरल, विशिष्ट सुरक्षा न्यूरॉन्स (specialized safety neurons) पर निर्भरता का लाभ उठाता है, जिससे व्हाइट-बॉक्स और ब्लैक-बॉक्स दोनों सेटिंग्स में इन न्यूरॉन्स को प्रून (prune) करके या मॉडल्स के बीच प्रतिकूल प्रॉम्प्ट्स (adversarial prompts) को स्थानांतरित करके, 20 से अधिक ओपन-वेट और पांच ब्लैक-बॉक्स LLMs पर उच्च हमला सफलता दर प्राप्त की जाती है।
यह शोध पत्र Locket को प्रस्तुत करता है, जो एक सुदृढ़ और स्केलेबल फीचर-लॉकिंग तकनीक है जो एडवर्सियल ट्रेनिंग (adversarial training) और अडैप्टर मर्जिंग (adapter merging) का उपयोग करके भाषा मॉडलों के लिए 'पे-टू-अनलॉक' (pay-to-unlock) योजनाओं को प्रभावी ढंग से सक्षम बनाती है, जिससे समग्र उपयोगिता को बनाए रखते हुए विशिष्ट क्षमताओं को चुनिंदा रूप से अक्षम किया जा सकता है और इवेजन हमलों (evasion attacks) का प्रतिरोध किया जा सकता है।
यह शोध पत्र एपिस्टेमिक बायस इंजेक्शन (EBI) को प्रस्तुत करता है, जो एक सूक्ष्म हमला है जहाँ हमलावर एलएलएम (LLM) के आउटपुट को हेरफेर करने के लिए आरएजी (RAG) डेटाबेस में तथ्यात्मक रूप से सही लेकिन दृष्टिकोण-झुकाव वाली सामग्री इंजेक्ट करते हैं, और इस पूर्वाग्रह को मापने के लिए एक ज्यामितीय मीट्रिक के साथ-साथ इस खतरे को कम करने के लिए बायसडेफ (BiasDef) नामक एक हल्का बचाव प्रस्तावित करता है।
यह शोध पत्र सीमित पूर्व ज्ञान (एन्ट्रॉपी बाधाओं द्वारा मॉडल किया गया) वाले विरोधियों के विरुद्ध गोपनीयता तंत्रों का विश्लेषण करने और उन्हें अनुकूलित करने के लिए एक कम्प्यूटेशनल ढांचे को प्रस्तुत करता है, जो अधिकतम प्रति-रिकॉर्ड रिसाव (leakage) और रिसाव-विकृति ट्रेडऑफ़ समस्याओं को हल करने के लिए कुशल अल्टरनेटिंग ऑप्टिमाइज़ेशन एल्गोरिदम प्रस्तावित करता है जो शास्त्रीय डिफरेंशियल प्राइवेसी की तुलना में बेहतर गोपनीयता-उपयोगिता प्रदर्शन प्रदान करते हैं।