3561 पेपर
यह शोध पत्र **TraMark** का प्रस्ताव करता है, जो फेडरेटेड लर्निंग के लिए एक नवीन सर्वर-साइड वॉटरमार्किंग विधि है जो मॉडल पैरामीटर स्पेस को विभाजित करके और मुख्य कार्य के प्रदर्शन से समझौता किए बिना प्रत्येक स्थानीय मॉडल को अद्वितीय, क्लाइंट-विशिष्ट वॉटरमार्क असाइन करके मॉडल लीकेज के ट्रैसेबल ब्लैक-बॉक्स सत्यापन को सक्षम बनाता है।
विषम सेटिंग्स में समान गोपनीयता बाधाओं को लागू करने से होने वाले उपयोगिता क्षरण को संबोधित करने के लिए, यह शोध पत्र **GDPFed** प्रस्तावित करता है, जो एक ऐसा ढांचा है जो क्लाइंट्स को उनके गोपनीयता बजट के आधार पर समूहों में विभाजित करता है और क्लाइंट-स्तरीय डिफरेंशियल प्राइवेसी के तहत बेहतर मॉडल उपयोगिता प्राप्त करने के लिए प्रति-समूह सैंपलिंग अनुपात और मॉडल स्पारसिफिकेशन (sparsification) को अनुकूलित करता है।
यह शोध पत्र यह प्रदर्शित करके LLM रेड-टीमिंग में "कमजोर-से-मजबूत" (weak-to-strong) चुनौती की जांच करता है कि जैसे-जैसे लक्षित मॉडल की क्षमता हमलावर की क्षमता से आगे निकलती है, हमले की सफलता दर तेजी से घट जाती है, जिससे क्षमता के अंतर के आधार पर भेद्यता (vulnerability) का पूर्वानुमान लगाने के लिए एक "जेलब्रेकिंग स्केलिंग कर्व" का प्रस्ताव दिया गया है।
यह शोध पत्र PropInfer को प्रस्तुत करता है, जो यह मूल्यांकन करने के लिए एक बेंचमार्क है कि क्या लार्ज लैंग्वेज मॉडल्स (LLMs) प्रॉपर्टी इन्फरेंस हमलों के प्रति संवेदनशील हैं, और नए हमले के तरीकों के माध्यम से यह प्रदर्शित करता है कि फाइन-ट्यूनिंग के दौरान LLMs वास्तव में संवेदनशील, डेटासेट-स्तरीय गोपनीय जानकारी लीक कर सकते हैं।
यह शोध पत्र तर्क देता है कि एआई एजेंटों को क्रिप्टोकरेंसी और स्मार्ट कॉन्ट्रैक्ट्स तक पहुंच प्रदान करना अद्वितीय जोखिम उत्पन्न करता है, जो एआई हानि वेक्टर्स (AI harm vectors) के एक नए वर्गीकरण का प्रस्ताव देता है और इन उभरते खतरों को कम करने के लिए तकनीकी अनुसंधान का आह्वान करता है।
यह शोध पत्र ReLU के लो-डिग्री क्वाड्रेटिक एप्रोक्सिमेशन (low-degree quadratic approximation), बूटस्ट्रैपिंग के बिना लेवल्ड FHE (leveled FHE) को सक्षम करने के लिए स्ट्रक्चरल ऑप्टिमाइज़ेशन, और एनसेंबल तकनीकों के साथ पैरामीटर क्लस्टरिंग का उपयोग करके प्राइवेसी-प्रिजर्विंग CNN इन्फरेंस को त्वरित करने और प्लेनटेक्स्ट मॉडल्स के साथ सटीकता के अंतर को कम करने के लिए एक विधि प्रस्तावित करता है।
Pro-ZD एक नवीन, हस्तांतरणीय ग्राफ न्यूरल नेटवर्क फ्रेमवर्क है जिसे उच्च-जोखिम वाले कनेक्टिविटी पथों की पहचान करके और महत्वपूर्ण नेटवर्क संपत्तियों की रक्षा के लिए फायरवॉल नियमों को स्वचालित रूप से फाइन-ट्यून करके ज़ीरो-डे खतरों को सक्रिय रूप से कम करने के लिए डिज़ाइन किया गया है।
SPARSE एक उपयोगकर्ता-केंद्रित गोपनीयता ढांचा है जो विभेदक मास्क लर्निंग (differentiable mask learning) और महालनोबिस तंत्र (Mahalanobis mechanism) का उपयोग करके संवेदनशील आयामों पर लक्षित, दीर्घवृत्ताकार शोर (elliptical noise) लागू करता है, जिससे गैर-संवेदनशील अर्थ संबंधी उपयोगिता को संरक्षित करते हुए टेक्स्ट एम्बेडिंग्स को इनवर्जन हमलों से बचाया जा सके।
यह शोध पत्र PAC और ऑनलाइन दोनों मॉडलों में डिसीजन लिस्ट और लार्ज-मार्जिन हाफस्पेस सीखने के लिए नए डिफरेंशियल प्राइवेट एल्गोरिदम प्रस्तुत करता है, जो गैर-निजी विधियों की तुलना में निकट-इष्टतम सैंपल कॉम्प्लेक्सिटी और मिस्टेक बाउंड्स प्राप्त करते हैं।
एजिस (Aegis) एक प्रस्तावित रेड-टीमिंग फ्रेमवर्क है जिसे विविध प्रतिकूल जोखिमों—जैसे गोपनीयता रिसाव और विशेषाधिकार वृद्धि—के विरुद्ध वॉइस एजेंटों का मूल्यांकन करने और उन्हें सुरक्षित करने के लिए डिज़ाइन किया गया है, जो यह प्रकट करता है कि पारंपरिक एक्सेस कंट्रोल व्यवहार संबंधी हमलों को रोकने के लिए अपर्याप्त हैं, विशेष रूप से ओपन-वेट मॉडल्स के मामले में।