362 papers
Dit onderzoek evalueert de privacy en kwaliteit van synthetische Instagram-berichten gegenereerd door grote taalmodellen, waarbij wordt vastgesteld dat hoewel het re-identificatierisico lager is dan bij echte data, er een duidelijke afweging bestaat tussen hoge datafideliteit en verhoogde privacylekken.
Deze studie toont aan dat, hoewel forensische tools en AI-classificatoren complementaire zwaktes vertonen, menselijke onderzoekers met justitiële ervaring aanzienlijk beter presteren dan alle geautomatiseerde openbare deepfake-detectietools.
Deze studie onthult dat LLM-veiligheidsbenchmarks geen significant hoger academisch impact hebben dan niet-benchmarkpapers en dat er een fundamentele misalignatie bestaat tussen de invloed van auteurs of papers en de vaak ontoereikende kwaliteit van de bijbehorende code.
Dit paper introduceert \SysName, een framework dat de beveiliging van multi-agent systemen verbetert door statische inputfilters te vervangen door een uitvoeringsbewuste analyse die cross-agent semantische stromen reconstrueert om complexe aanvalsvectoren effectief te detecteren.
Dit onderzoek toont aan dat logische kwetsbaarheden in 5G-SA-netwerken UAV-besturing kunnen verstoren via verschillende aanvalspunten, wat de noodzaak onderstreept van betere isolatie en integriteitsbescherming.
Deze paper analyseert hoe diffusion-based beeldbewerking onbedoeld robuuste onzichtbare watermerken kan vernietigen door de payload te behandelen als ruis, en biedt hierbij een theoretisch bewijs, empirische validatie en richtlijnen voor toekomstige ontwerpen.
Dit artikel introduceert het eerste efficiënte raamwerk voor privacybehoudende sparse matrix-vector vermenigvuldiging met homomorfische encryptie, waarbij een nieuw CSSC-formaat wordt gebruikt om opslag- en rekentijd te optimaliseren.
Dit onderzoek toont aan dat actieve RF-probing via impedantie-lekage ook onder EM-bescherming uitvoeringsafhankelijke informatie kan onthullen, ondanks dat passieve metingen door de afscherming effectief worden geblokkeerd.
Dit paper introduceert de 'Osmosis Distillation'-aanval, een nieuwe methode voor modelkaping die het risico blootlegt dat een aanvaller met slechts enkele vergiftigde synthetische datasets een model kan manipuleren om een verborgen taak uit te voeren terwijl de oorspronkelijke functionaliteit behouden blijft.
AgentSCOPE introduceert een nieuw benchmark en het Privacy Flow Graph-framework om privacyrisico's in agente workflows te evalueren, waarbij wordt aangetoond dat traditionele evaluaties van alleen input en output het risico aanzienlijk onderschatten omdat meer dan 80% van de scenario's privacy-schendingen bevat op tussenliggende stappen, met name bij tool-antwoorden.
Dit paper introduceert EVMbench, een evaluatieframework dat de capaciteit van AI-agenten meet om kwetsbaarheden in slimme contracten te detecteren, te patchen en te exploiteren, en laat zien dat geavanceerde modellen in staat zijn om deze kwetsbaarheden end-to-end te vinden en uit te buiten.
Dit document beschrijft de Fully Homomorphic Modified Rivest Scheme (FHMRS), identificeert een beveiligingsprobleem daarin, en presenteert een aangepaste versie (mFHMRS) om dit probleem te ondervangen.
Dit paper introduceert een post-kwantum, roostergebaseerd transactieschema voor gedistribueerde grootboeken dat specifiek is ontworpen om financiële instellingen te voorzien van een veilige, vertrouwelijke en controleerbare oplossing die beter aansluit bij hun behoeften dan bestaande Ring-CT-protocollen.
Het paper introduceert GELO, een lichtgewicht protocol dat de privacy van LLM-inferentie op gedeelde accelerators waarborgt door per-batch omkeerbare menging toe te passen, waardoor het mogelijk is om geheime states te verbergen tegen geheugenobservatie met slechts een beperkte latency-overschrijding en zonder de outputkwaliteit te verliezen.
Dit artikel onderzoekt hoe cyberthreat intelligence kan evolueren om AI-systemen te beschermen tegen specifieke bedreigingen, door de huidige kennis te analyseren, een gestructureerde kennisbank met indicatoren van compromittering voor de AI-leveringsketen voor te stellen en toekomstige onderzoekrichtingen te identificeren.
Deze paper introduceert het ASP-protocol, een robuust single-message shuffle-differentiële privacy-methode die aanzienlijk betere prestaties boekt dan bestaande basismodellen op het gebied van nut, berichtcomplexiteit en weerstand tegen datavergiftiging bij het schatten van verdelingen van numerieke data.
Dit paper introduceert Lambda-randomisatie, een efficiënt protocol voor multidimensionale random response dat de vervloeking van de dimensionaliteit overwint door gebruik te maken van slechts drie eenvoudige elementen om kosteneffectief en nauwkeurig onbevooroordeelde schattingen van multivariate verdelingen te verkrijgen.
Deze paper introduceert een nieuwe matrix-encoderingsmethode genaamd Volley Revolver die het mogelijk maakt om privacy-bewuste neurale netwerken voor inferentie uit te voeren met homomorfische encryptie, waarbij een CNN voor handgeschreven cijferclassificatie op het MNIST-dataset in ongeveer 287 seconden tien waarschijnlijkheden berekent voor 32 versleutelde afbeeldingen.
Dit paper introduceert virtCCA, een architectuur die virtuele Confidential Compute Architecture (CCA) mogelijk maakt op bestaande Arm-platforms met TrustZone, waardoor vertrouwelijke virtuele machines worden ondersteund met een acceptabele prestatie-overhead en volledige API-compatibiliteit met de toekomstige CCA-specificaties.
Deze paper presenteert een optimaal, interactief lokaal differentieel privé-algoritme voor hypothese-selectie dat de steekproefcomplexiteit van doorbreekt tot met slechts interactierondes, waarbij het concept van 'kritieke queries' voor statistische query-algoritmen wordt geïntroduceerd.