2495 artigos
Nesta seção, exploramos descobertas que vão da letra C até o E no espectro da ciência moderna, abrangendo tópicos que muitas vezes ficam ocultos atrás de barreiras técnicas. Do estudo de células complexas à análise de cristais e fenômenos cósmicos, este espaço reúne pesquisas que desafiam nossa compreensão do mundo, trazendo avanços que moldam o futuro da tecnologia e da biologia de formas surpreendentes.
Todos os artigos apresentados aqui são pré-publicações originárias do arXiv, onde cientistas compartilham seus trabalhos antes da revisão formal. No Gist.Science, acompanhamos cada nova submissão nesta categoria para oferecer uma leitura acessível: transformamos a linguagem técnica complexa em resumos claros para o público geral, sem deixar de lado detalhes importantes para especialistas que buscam profundidade.
Abaixo, você encontrará a seleção mais recente desses estudos, prontos para serem explorados de maneira simples e direta.
O SAIGuard é uma estrutura de defesa proativa para sistemas multiagentes baseados em LLM que simula estados de comunicação para detectar e sanitizar mensagens de risco antes que elas se propaguem, prevenindo assim falhas em todo o sistema enquanto mantém a utilidade colaborativa.
O Fed-FBD é uma arquitetura de aprendizado federado modular que decompõe redes neurais em blocos funcionais rastreados independentemente para fornecer isolamento arquiteturalmente garantido contra clientes adversários, privacidade inerente contra inferência de associação e desaprendizado cirúrgico em subsegundos de participantes que se retiraram, tudo isso enquanto mantém uma precisão competitiva em conjuntos de dados de imagens médicas e gerais.
Este artigo apresenta o SMSR, o primeiro mecanismo de defesa que fornece robustez certificada contra o Envenenamento de Memória de Múltiplas Sessões (MSMP) em sistemas de agentes de LLM persistentes, combinando a verificação de proveniência baseada em HMAC com ablação de memória randomizada e votação de maioria baseada em veredito para neutralizar eficazmente ataques de injeção de memória tanto não assinados quanto autenticados.
O artigo apresenta o PI-Hunter, um framework de auditoria agêntica automatizada que constrói casos de teste realistas e os evolui iterativamente para expor e localizar proativamente vulnerabilidades latentes de injeção de prompt em agentes de LLM, demonstrando uma exposição de vulnerabilidade e cobertura de superfície de ataque superiores em comparação com métodos de red-teaming e defesas existentes.
Este artigo introduz um framework de avaliação contrafactual demonstrando que modelos de linguagem de código podem memorizar lógica funcional além da sobreposição textual literal, necessitando de novas métricas de auditoria que avaliem a similaridade baseada em execução em vez de apenas correspondência de texto.
Este artigo apresenta o MAStrike, um framework de red-teaming de malha fechada que utiliza a análise do valor de Shapley ao nível do agente para identificar e explorar coalizões de agentes vulneráveis por meio de ataques adversários coordenados e conscientes de papéis, revelando, assim, vulnerabilidades críticas de segurança em sistemas multiagentes hierárquicos que os métodos heurísticos existentes negligenciam.
Este artigo propõe um método de marca d'água (fingerprinting) robusto, eficiente e anticollusão para modelos de difusão de texto para imagem que incorpora identificadores específicos do usuário em um módulo de normalização personalizado, permitindo a extração confiável ao mesmo tempo em que degrada a qualidade de modelos coludidos para evitar a redistribuição não autorizada.
Este artigo apresenta o **StakeBench**, um novo benchmark que desloca a avaliação de ataques de injeção de prompt em agentes web impulsionados por LLMs de uma perspectiva puramente técnica e centrada no ataque para uma estrutura centrada nas partes interessadas, revelando que os agentes atuais sofrem de modos de falha diversos e assimétricos que prejudicam desproporcionalmente diferentes entidades, como usuários, vendedores e plataformas.
Este artigo argumenta que a síntese de escudos deve ser reimaginada como um framework analítico de tempo de design para derivar "vereditos de defensibilidade" formais e insights arquiteturais sobre segurança de rede, em vez de servir primariamente como um mecanismo de tempo de execução para aplicar políticas de agentes seguras.
Este artigo apresenta um pipeline de aprendizado de máquina de ponta a ponta utilizando redes Long Short-Term Memory (LSTM) para identificar 27 tipos de dispositivos IoT a partir de capturas de pacotes de rede brutas, alcançando 79,85% de acurácia e um F1-score macro-médio de 75,70% ao otimizar comprimentos de sequência de janela deslizante no conjunto de dados da Universidade de Aalto.