362 articoli
Il paper presenta PRIVATEEDIT, una pipeline privacy-preserving che consente l'editing generativo di immagini focalizzato sul volto separando le regioni biometriche sensibili dal contesto modificabile tramite mascheramento locale, garantendo così che i dati biometrici non vengano mai esposti a modelli di terze parti.
Questo articolo presenta il Multi-Sequence Verifier (MSV), un nuovo modello che elabora congiuntamente più soluzioni candidate per migliorare la calibrazione nella selezione delle risposte e abilitare strategie di arresto anticipato, riducendo così significativamente la latenza rispetto ai metodi tradizionali di test-time scaling parallelo.
Il paper propone SENTINEL, un meccanismo di verifica leggero basato su medie esponenziali mobili che garantisce l'integrità dell'addestramento decentralizzato con parallelismo di pipeline su nodi inaffidabili, permettendo l'addestramento di grandi modelli linguistici senza duplicazione computazionale.
Questo studio propone un approccio strutturato di valutazione del rischio guidato dagli obiettivi, che integra gli attacchi specifici ai LLM con quelli convenzionali tramite alberi di attacco, applicandolo a un caso di studio sanitario per migliorare le pratiche di progettazione sicura.
Questo studio introduce l'iniezione di prompt basata su immagini (IPI), un attacco in scatola nera che nasconde istruzioni avversarie all'interno di immagini naturali per manipolare con successo fino al 64% dei modelli linguistici multimodali, evidenziando una nuova vulnerabilità pratica che richiede urgenti contromisure difensive.
Questo lavoro propone un modello epidemico SEIRV con recidiva e intervento per analizzare la dinamica della propagazione dei malware, identificare le strategie di controllo ottimali tramite ottimizzazione globale e dimostrare che il ritardo nell'intervento riduce esponenzialmente i casi prevenuti.
Questo lavoro introduce un framework di attacco backdoor "structure-aware" per l'apprendimento federato, dimostrando che l'architettura del modello e la compatibilità strutturale influenzano criticamente l'efficacia e la sopravvivenza delle perturbazioni, superando le limitazioni degli approcci esistenti che ignorano tali fattori.
Questo studio valuta la fattibilità e i limiti degli agenti guidati da LLM nell'audit automatizzato dei "dark pattern" su 456 siti di broker di dati, analizzando la loro capacità di navigare flussi di richiesta CCPA e classificare pratiche ingannevoli.
Questo lavoro propone un sistema ibrido neuro-simbolico che sfrutta le relazioni semantiche iponimo-iperonimo per estrarre informazioni da report di intelligence sulle minacce e generare automaticamente regole firewall tramite agenti AI e un sistema esperto, dimostrando un'efficacia superiore nel mitigare le minacce informatiche.
Questo articolo propone un framework di scoring della qualità multidimensionale per l'inferenza decentralizzata di LLM, che, attraverso l'audit e la calibrazione delle sue componenti, genera un segnale di qualità affidabile e competitivo per meccanismi di Proof of Quality in ambienti avversariali.
Il paper introduce il CAM-LDS, un nuovo dataset open-source e riproducibile contenente log di 81 tecniche di attacco cyber, progettato per colmare la carenza di dati etichettati e dimostrare il potenziale dei Large Language Models nell'interpretazione automatica e semantica dei log di sicurezza.
Questo lavoro introduce una nuova nozione quantitativa di privacy basata sulla teoria decisionale bayesiana, che supera i limiti della privacy differenziale e della teoria della divulgazione statistica adottando una prospettiva a priori per le decisioni di divulgazione.
Il paper presenta PTOPOFL, un framework di apprendimento federato personalizzato che garantisce la privacy e migliora le prestazioni su dati non-IID sostituendo la condivisione dei gradienti con descrittori topologici derivati dall'omologia persistente, riducendo drasticamente il rischio di ricostruzioni dei dati e ottenendo risultati superiori rispetto agli approcci esistenti.
Il paper introduce l'Adversarially-Aligned Jacobian Regularization (AAJR), un metodo che garantisce la robustezza dei sistemi di IA agenti controllando la sensibilità solo lungo le direzioni di attacco avversario, superando così le limitazioni delle tecniche globali e migliorando la stabilità del training minimax.
Questo studio analizza un vasto dataset di video YouTube per rivelare la diffusione del marketing di affiliazione e la scarsa conformità alle normative FTC, dimostrando come le funzionalità standardizzate della piattaforma possano migliorare la trasparenza e raccomandando una collaborazione tra regolatori, partner e piattaforma per rafforzare la fiducia nell'economia degli influencer.
Questo articolo presenta una metodologia completa per implementare protocolli quantistici multiuso, come il trasferimento obliquo e i token quantistici, sulla stessa infrastruttura hardware QKD, dimostrando la fattibilità di reti di comunicazione quantistica che vanno oltre la sola distribuzione quantistica di chiavi.
Questo articolo presenta una revisione completa dell'accordo di chiave quantistica multiparte (MQKA), organizzando i protocolli lungo tre assi fondamentali—architettura di rete, risorse quantistiche e modelli di sicurezza—per analizzare i compromessi e delineare una roadmap per le future implementazioni nel quantum internet.
Questo articolo propone un framework di apprendimento federato per XGBoost a più parti che garantisce la sicurezza e l'efficienza attraverso la condivisione segreta e l'ottimizzazione distribuita, risolvendo i problemi di isolamento dei dati e di sovraccarico computazionale presenti nelle soluzioni esistenti.