3307 पेपर
यह शोध पत्र मनी म्यूल (money mule) खातों की पहचान करने के लिए एक एंड-टू-एंड पाइपलाइन प्रस्तुत करता है जो एक लाइटजीबीएम (LightGBM) क्लासिफायर, ट्री-शैप (TreeSHAP) एट्रिब्यूशन और प्राकृतिक भाषा में विवरण उत्पन्न करने के लिए एक एलएलएम (LLM) को जोड़ता है, जिससे लाइव प्रोडक्शन वातावरण में प्रतिकूल पहचान (adverse detection) में 60% की वृद्धि और विश्लेषक दक्षता में सुधार हुआ है।
यह शोध पत्र इस अंतर्ज्ञान को चुनौती देता है कि तर्क (reasoning) विजन-लैंग्वेज-एक्शन मॉडलों में मजबूती (robustness) को बढ़ाता है, यह प्रदर्शित करते हुए कि लेटेंट-इटरेटिव रीजनिंग आर्किटेक्चर, नॉन-रीजनिंग या टेक्स्ट-आधारित चेन-ऑफ-थॉट मॉडलों की तुलना में संरचनात्मक रूप से विक्षोभों (perturbations) के प्रति अधिक नाजुक हैं, और साथ ही यह भी प्रकट करता है कि सुरक्षा संकेतों के रूप में रीजनिंग आउटपुट की निगरानी करने वाली वर्तमान विधियाँ एडेप्टिव हमलों के तहत विफल हो जाती हैं।
यह शोध पत्र "एडैप्टिव एडवर्सरीज" (Adaptive Adversaries) का परिचय देता है, जो एक मल्टी-टर्न, मल्टी-एलएलएम (multi-turn, multi-LLM) बेंचमार्क है जो यह प्रदर्शित करता है कि कैसे अनुकूलनशील, बहु-चरणीय रणनीतियों का लाभ उठाने वाले स्वायत्त हमलावर, स्टेटिक सिंगल-टर्न मूल्यांकनों की तुलना में मेमोरीलेस एलएलएम (memoryless LLM) संरक्षकों के विरुद्ध हमले की सफलता दर को महत्वपूर्ण रूप से बढ़ा देते हैं, जबकि यह फ्रंटियर मॉडल्स (frontier models) के बीच विशिष्ट और परिदृश्य-निर्भर कमजोरियों को भी उजागर करता है।
यह शोध पत्र GARAGE को प्रस्तुत करता है, जो एक RAG-संचालित फ्रेमवर्क है जो वाहन सुरक्षा के लिए सटीक, स्केलेबल और आर्किटेक्चर-अज्ञेय स्वचालित अटैक ग्राफ जनरेशन को सक्षम करने हेतु खंडित साइबर थ्रेट इंटेलिजेंस को एक डोमेन-विशिष्ट नॉलेज बेस में संश्लेषित करता है।
यह शोध पत्र RRAM-DP का प्रस्ताव करता है, जो एक हार्डवेयर-एल्गोरिदम सह-डिज़ाइन है जो औपचारिक विभेदक गोपनीयता (डिफरेंशियल प्राइवेसी) के लिए कैलिब्रेटेड शोर (नॉइज़) इंजेक्ट करने हेतु रेसिस्टिव-स्विचिंग मेमोरी के अंतर्निहित स्टोकेस्टिक राइट व्यवहार का लाभ उठाता है, जिससे पारंपरिक हार्डवेयर की तुलना में महत्वपूर्ण ऊर्जा और गति लाभों के साथ कुशल, उच्च-उपयोगिता और गोपनीयता-संरक्षित इन-मेमोरी एज लर्निंग सक्षम होती है।
यह शोध पत्र लेबल फ्लिपिंग, बैकडोर ट्रिगर इंजेक्शन और मॉडल फिंगरप्रिंटिंग जैसी तीन क्लाइंट-साइड डिटेक्शन तकनीकों का प्रस्ताव करके फेडरेटेड लर्निंग में ऑर्केस्ट्रेटर-संचालित लक्षित ओवरफिटिंग (orchestrator-driven targeted overfitting) के अल्प-अन्वेषित खतरे को संबोधित करता है, जो वैश्विक एकत्रीकरण की अखंडता के शीघ्र सत्यापन को सक्षम बनाता है और क्लाइंट्स को महत्वपूर्ण गोपनीयता हानि होने से पहले अलग होने की अनुमति देता है।
यह शोधपत्र एक ज्यामिति-आधारित स्टेग्नोग्राफी पद्धति प्रस्तुत करता है जो पेलोड की रिकवरेबिलिटी (पुनर्प्राप्ति क्षमता) को कम करने के लिए एम्बेडिंग-स्पेस मैपिंग के माध्यम से LLM आउटपुट में रहस्यों को एम्बेड करती है, और पारंपरिक वितरण शिफ्ट विश्लेषण (distributional shift analysis) की तुलना में ऐसे फाइन-ट्यूनिंग-आधारित हमलों का अधिक प्रभावी ढंग से पता लगाने के लिए बाद की परतों के एक्टिवेशन पर लीनियर प्रोब्स का उपयोग करते हुए एक मैकेनिस्टिक इंटरप्रिटेबिलिटी दृष्टिकोण प्रस्तावित करता है।
यह शोध पत्र SEIO* प्रस्तुत करता है, जो एक ऐसा ढांचा है जो रिलेशनल कोटेशन को सत्यापित सिंटैक्स जनरेशन के साथ जोड़ता है ताकि IO और रिफाइनमेंट टाइप्स वाले शैलोली एम्बेडेड F* प्रोग्राम्स को डीपली एम्बेडेड कैलकुलस में सुरक्षित रूप से निकाला जा सके, जिससे मनमाने प्रतिकूल लिंकिंग (adversarial linking) के विरुद्ध सुरक्षा सुनिश्चित करने के लिए रोबस्ट रिलेशनल हाइपरप्रॉपर्टी प्रिजर्वेशन (RrHP) के मशीन-चेक्ड प्रमाण प्रदान किए जा सकें।
यह शोध पत्र छह प्रमुख LLM-एजेंट फ्रेमवर्क में एक महत्वपूर्ण प्रवर्तन अंतराल (enforcement gap) को उजागर करता है जहाँ अप्रूवल गेट्स और टाइमआउट जैसे नियंत्रण प्रिमिटिव्स, पॉज़ या कैंसिलेशन के दौरान होने वाले साइड इफेक्ट्स को रोकने में विफल रहते हैं, और SOUNDGATE का प्रस्ताव करता है, जो एक मैकेनिकल रूप से सत्यापित, उच्च-प्रदर्शन वाला रस्ट-आधारित गेट है जो विविध फ्रेमवर्क्स में सभी साइड इफेक्ट्स के पूर्ण मध्यस्थता (complete mediation) की गारंटी देता है।
यह शोध पत्र सुरक्षा एजेंटों के लिए एक लागत-सचेत (cost-aware) मूल्यांकन ढांचे को प्रस्तुत करता है जो आक्रामक और रक्षात्मक कार्यों के बीच विशिष्ट स्केलिंग व्यवहारों को प्रकट करता है, यह प्रदर्शित करते हुए कि जहाँ आक्रामक प्रदर्शन बढ़ी हुई कंप्यूट के साथ सुधरता है, वहीं रक्षात्मक सफलता कच्चे तर्क बजट (raw reasoning budget) के बजाय अनुशासित टूल उपयोग और परिचालन दक्षता पर अधिक निर्भर करती है।