3542 पेपर
यह शोध पत्र एक मेटाडेटा-संचालित वास्तुशिल्प परिवर्तन का प्रस्ताव करता है जो कंटेंट-आधारित क्रिप्टोग्राफिक हैशिंग को इनजेशन के समय आवंटित नियत, वैश्विक रूप से अद्वितीय पहचानकर्ताओं (identifiers) से बदल देता है ताकि री-हैशिंग बाधाओं को समाप्त किया जा सके और वितरित स्टोरेज सिस्टम में तीव्र आपदा रिकवरी सुनिश्चित की जा सके।
TT-SEAL एक टेंसर-ट्रैन (Tensor-Train) डिकम्पोज्ड नेटवर्क्स के लिए एक चयनात्मक एन्क्रिप्शन फ्रेमवर्क है जो केवल सबसे संवेदनशील कोर्स (cores) की पहचान करता है और उन्हें एन्क्रिप्ट करता है, जिससे पूर्ण एन्क्रिप्शन के समान प्रतिकूल मजबूती (adversarial robustness) प्राप्त होती है और साथ ही संसाधन-सीमित एज एआई (edge AI) के लिए पैरामीटर एन्क्रिप्शन ओवरहेड और एंड-टू-एंड लेटेंसी को काफी कम किया जाता है।
यह शोध पत्र एक क्यूरेटेड डेटासेट का उपयोग करके कई ओपन-सोर्स एलएलएम (LLMs) में प्रॉम्प्ट इंजेक्शन और जेलब्रेक कमजोरियों का मूल्यांकन करता है, जो महत्वपूर्ण व्यवहारिक विविधताओं को प्रकट करता है और यह प्रदर्शित करता है कि जबकि हल्के इन्फरेंस-टाइम डिफेंस सरल हमलों को कम करते हैं, वे जटिल, तर्क-प्रधान प्रॉम्प्ट्स के विरुद्ध लगातार विफल हो जाते हैं।
यह शोध पत्र एक हाइब्रिड मैलवेयर विश्लेषण पाइपलाइन का प्रस्ताव करता है जो डेटा एक्सफिल्ट्रेशन-उन्मुख लिनक्स/एआरएम (Linux/ARM) मैलवेयर के तकनीकी फोरेंसिक साक्ष्यों को संरचित, जीडीपीआर (GDPR)-अनुपालन ब्रीच रिपोर्टों में स्वचालित रूप से बदलने के लिए स्टैटिक और डायनेमिक विश्लेषण को एक स्कीमा-प्रतिबंधित लार्ज लैंग्वेज मॉडल के साथ जोड़ता है, जिससे 72 घंटे की अधिसूचना समय सीमा में तेजी आती है और घटना प्रतिक्रियाकर्ताओं (incident responders) पर संज्ञानात्मक बोझ कम होता है।
यह शोध पत्र यह प्रदर्शित करता है कि ध्वनिक वाहन वर्गीकरण (acoustic vehicle classification) पर प्रशिक्षण-डेटा विषाक्तता (training-data poisoning) हमले नगण्य डेटा भ्रष्टाचार के साथ उच्च लक्षित गलत वर्गीकरण दर प्राप्त कर सकते हैं और क्लास इम्बैलेंस (class imbalance) द्वारा आरोपित संरचनात्मक सीमाओं के कारण समग्र सटीकता निगरानी के माध्यम से अप्राप्य बने रह सकते हैं, जो क्रिप्टोग्राफिक रूप से सत्यापन योग्य डेटा प्रोवेनेंस (data provenance) रक्षा उपायों की ओर एक बदलाव को आवश्यक बनाता है।
यह शोध पत्र उपयोगकर्ता डेटा से मार्कोव चेन मॉडल बनाने के लिए एक डिफरेंशियल प्राइवेट पद्धति प्रस्तावित करता है जो सिम्प्लेक्स-मान वाले प्रश्नों को निजीकृत करती है और स्थिर वितरणों तथा अभिसरण दरों में होने वाली त्रुटियों पर विश्लेषणात्मक सीमाएं प्रदान करती है, जो विशिष्ट गोपनीयता सेटिंग्स के तहत 2% से कम त्रुटि के साथ उच्च सटीकता प्रदर्शित करता है।
यह शोध पत्र प्रदर्शित करता है कि एजेंटिक एलएलएम (LLM) सिस्टम "साइलेंट इग्रेस" (silent egress) के प्रति संवेदनशील हैं, जो एक नया हमला वेक्टर है जहाँ दुर्भावनापूर्ण यूआरएल (URL) मेटाडेटा के माध्यम से निहित प्रॉम्प्ट इंजेक्शन, एजेंटों को आउटपुट-आधारित सुरक्षा जांच को ट्रिगर किए बिना संवेदनशील डेटा को बाहर निकालने (exfiltrate करने) के लिए प्रेरित करता है, जो प्रॉम्प्ट-स्तरीय सुदृढ़ीकरण के बजाय नेटवर्क-परत सुरक्षा की महत्वपूर्ण आवश्यकता को रेखांकित करता है।
यह शोध पत्र यह तर्क देता है कि वर्तमान फेडरेटेड लर्निंग मूल्यांकन विधियाँ अपर्याप्त हैं क्योंकि वे केवल प्रदर्शन मेट्रिक्स पर ध्यान केंद्रित करती हैं, और इसके बजाय विश्वसनीयता, लचीलेपन और निष्पक्षता के स्वतंत्र आयामों में क्लाइंट योगदान को मापने के लिए एक व्यापक शापली वैल्यू-आधारित ढांचे का प्रस्ताव करता है ताकि अधिक न्यायसंगत पुरस्कार आवंटन को सक्षम बनाया जा सके।
यह शोध पत्र इंटरवेंशन डेप्थ (हस्तक्षेप की गहराई) को लार्ज लैंग्वेज मॉडल्स में बहुभाषी ज्ञान अनलर्निंग (knowledge unlearning) की विफलता के पीछे महत्वपूर्ण कारक के रूप में पहचानता है और MUTE का प्रस्ताव करता है, जो एक ऐसा फ्रेमवर्क है जो मॉडल उपयोगिता को बनाए रखते हुए सुदृढ़ क्रॉस-लिंगुअल इरेज़र (cross-lingual erasure) प्राप्त करने के लिए मध्यवर्ती, भाषा-अज्ञेय (language-agnostic) परतों को लक्षित करता है।
IMMACULATE एक व्यावहारिक ऑडिटिंग फ्रेमवर्क है जो मॉडल प्रतिस्थापन (model substitution) और टोकन ओवरबिलिंग जैसे आर्थिक रूप से प्रेरित विचलन का पता लगाने के लिए वेरीफिएबल कंप्यूटेशन का लाभ उठाता है, जिससे यह ब्लैक-बॉक्स कमर्शियल LLMs में न्यूनतम थ्रूपुट ओवरहेड के साथ और बिना किसी विश्वसनीय हार्डवेयर या मॉडल एक्सेस की आवश्यकता के मजबूत डिटेक्शन गारंटी प्राप्त करता है।