362 papers
Dit paper introduceert PRIVATEEDIT, een privacybewust systeem dat gebruikers toestaat gezichtsgerichte generatieve beeldbewerking uit te voeren zonder biometrische data aan derden te verstrekken, door identiteitsgevoelige gebieden lokaal te maskeren terwijl de compatibiliteit met bestaande commerciële API's behouden blijft.
Deze paper introduceert de Multi-Sequence Verifier (MSV), een nieuw model dat alle kandidaat-oplossingen gezamenlijk verwerkt om de selectie van het beste antwoord te verbeteren en door middel van een streaming-variant de inferentielatentie aanzienlijk te verlagen.
Het paper introduceert SENTINEL, een verificatiemechanisme dat lichtgewicht momentum-bewaking gebruikt om corruptie in de communicatie tussen lagen te detecteren tijdens gedecentraliseerd pipeline-parallel trainen van grote taalmodellen over onbetrouwbare knooppunten, zonder de noodzaak van computationele duplicatie.
Dit artikel introduceert een gestructureerde, doelgerichte risicobeoordelingsmethode die attack trees gebruikt om bedreigingen voor LLM-gedreven systemen, zoals in de gezondheidszorg, te contextualiseren en zo een effectievere prioritering van risico's en beveiliging-by-design mogelijk maakt.
Dit artikel introduceert Image-based Prompt Injection (IPI), een zwarte-bak aanvalstechniek die kwaadaardige instructies in natuurlijke afbeeldingen verbergt om multimodale grote taalmodellen te manipuleren, waarbij een succeskans van tot 64% wordt bereikt onder stealth-beperkingen.
Dit artikel presenteert een SEIRV-epidemisch model met terugval en interventies om de verspreiding van malware te analyseren, de stabiliteit te onderzoeken, de meest invloedrijke parameters te identificeren en een hybride optimalisatieframework te ontwikkelen voor kosteneffectieve bestrijdingsstrategieën die worden gevalideerd met Windows-malware-data.
Deze studie introduceert een structureel bewust backdoor-aanvalskader voor Federated Learning dat aantoont dat modelarchitectuur, en met name de structuurcompatibiliteit, een cruciale rol speelt bij de effectiviteit en overleving van fractale perturbaties, wat nieuwe inzichten biedt voor de ontwikkeling van gerichte verdedigingsmechanismen.
Deze studie evalueert de haalbaarheid en beperkingen van door LLM-aangedreven agenten voor het schalen van audits van donkere patronen op 456 websites van databemiddelaars, met name in de context van het uitoefenen van CCPA-rechten.
Dit onderzoek toont aan dat een hybride architectuur van AI-agenten en expertsystemen, die semantische hyperoniem-hyponiem-relaties gebruikt om cyberdreigingsinformatie om te zetten in CLIPS-code voor firewallregels, een betrouwbaardere en effectievere verdediging biedt tegen cyberdreigingen dan bestaande benaderingen.
Dit paper introduceert een gecalibreerd, multidimensionaal kwaliteitscoresysteem voor gedecentraliseerde LLM-inferentie dat, door onbetrouwbare dimensies te verwijderen en gewichten aan te passen, de prestaties van enkele evaluators en consensusmethoden evenaart of overtreft en naadloos integreert met Proof-of-Quality-mechanismen voor betere weerstand tegen aanvallen.
Dit paper introduceert CAM-LDS, een nieuw open-source dataset met gelabelde logbestanden van diverse cyberaanvallen, om de beperkingen van handmatige analyse en regelgebaseerde systemen te overwinnen en het potentieel van Large Language Models voor semantische loginterpretatie en aanvalsdetectie te demonstreren.
Dit paper introduceert een nieuwe, contextuele en specifieke kwantitatieve definitie van privacy die gebaseerd is op Bayesiaanse besluitvorming en een meer betekenisvol en rigoureus alternatief biedt voor bestaande frameworks zoals differentieel privacy en statistische openbaarmakingstheorie.
PTOPOFL is een privacybehoudend framework voor gepersonaliseerd federatief leren dat persistent homologie gebruikt om in plaats van kwetsbare gradiënten compacte topologische beschrijvingen te communiceren, waardoor zowel reconstructierisico's worden geminimaliseerd als de prestaties bij niet-IID data worden verbeterd.
Dit artikel introduceert Adversarially-Aligned Jacobian Regularization (AAJR), een methode die de robuustheid van autonome AI-agenten verbetert door de gevoeligheid uitsluitend langs adversariële richtingen te beperken, waardoor de stabiliteit van minimax-training wordt gewaarborgd zonder de globale expressiviteit van het model onnodig te onderdrukken.
Deze studie analyseert een tienjarig YouTube-dataset om de wijdverspreide affiliate marketing en de lage naleving van FTC-transparantieregels te onthullen, en concludeert dat samenwerking tussen platforms, toezichthouders en partners essentieel is om vertrouwen in de influencer-economie te herstellen.
Dit artikel presenteert een methodologie en volledige software-stack voor het implementeren van quantum oblivious transfer en quantum tokens op bestaande QKD-hardware, wat een stap is naar multi-purpose quantum communicatienetwerken.
Deze paper presenteert multiparty quantum key agreement als een ontwerpruimte gestructureerd rond drie assen—netwerkarchitectuur, quantummiddelen en beveiligingsmodellen—en classificeert protocollen, analyseert trade-offs rond eerlijkheid en collusie, en biedt een roadmap voor toekomstige quantuminternet-deployments.
Dit artikel presenteert een veilig en efficiënt raamwerk voor federatief XGBoost dat gebruikmaakt van geheime deling en gedistribueerde optimalisatie om data-isolatieproblemen op te lossen en prestaties te verbeteren ten opzichte van bestaande modellen.