362 artigos
O artigo apresenta o PRIVATEEDIT, um pipeline de edição de imagens generativas centrado no rosto que preserva a privacidade ao isolar e ocultar dados biométricos sensíveis diretamente no dispositivo do usuário, permitindo a edição de alta qualidade sem transmitir informações faciais a modelos de terceiros.
Este artigo apresenta o Verificador de Múltiplas Sequências (MSV), um modelo inovador que processa conjuntamente soluções candidatas para melhorar a calibração na seleção de respostas e permitir estratégias de parada antecipada, reduzindo significativamente a latência de inferência em comparação com verificadores tradicionais que avaliam cada solução isoladamente.
O SENTINEL é um mecanismo de verificação leve baseado em médias móveis exponenciais que garante a integridade do treinamento descentralizado com paralelismo de pipeline em nós não confiáveis, permitindo o treinamento de grandes modelos de linguagem sem duplicação computacional e mantendo garantias teóricas de convergência.
Este estudo propõe uma abordagem estruturada de avaliação de riscos orientada a objetivos, que utiliza árvores de ataque para contextualizar ameaças em sistemas de saúde baseados em LLMs, harmonizando ataques adversariais com ciberataques convencionais para aprimorar as práticas de segurança desde o design.
Este artigo apresenta um ataque de injeção de prompt baseado em imagens que, ao ocultar instruções adversariais em imagens naturais, consegue manipular com sucesso até 64% das vezes o comportamento de Modelos de Linguagem Multimodais em cenários de caixa preta.
Este trabalho propõe um modelo epidêmico SEIRV com recaída e intervenção para analisar a dinâmica de propagação de malware, identificando parâmetros críticos e estratégias de controle otimizadas que demonstram uma relação de decaimento exponencial entre o atraso na intervenção e a eficácia na prevenção de casos.
Este artigo propõe uma perspectiva consciente da estrutura em ataques backdoor distribuídos no aprendizado federado, demonstrando que a arquitetura do modelo e sua compatibilidade com perturbações fractais influenciam decisivamente a eficácia do ataque, superando a visão tradicional focada apenas no design do gatilho ou na intensidade do envenenamento.
Este estudo avalia a viabilidade e as limitações de agentes impulsionados por LLMs para auditar padrões obscuros em interfaces de sites de corretores de dados, focando na sua capacidade de navegar autonomamente em fluxos de solicitação de direitos CCPA e identificar práticas manipulativas.
Este trabalho propõe uma abordagem neuro-simbólica que utiliza relações semânticas hiperônimo-hiperônimo em inteligência de ameaças cibernéticas para que agentes de IA gerem automaticamente regras de firewall confiáveis, demonstrando superioridade na mitigação de ameaças em comparação com métodos convencionais.
Este artigo propõe um framework de pontuação de qualidade multidimensional para inferência descentralizada de LLMs, que, após calibração e remoção de dimensões não confiáveis, gera um sinal de qualidade composto que supera avaliadores individuais e se integra eficazmente a mecanismos de Prova de Qualidade (PoQ) para incentivos robustos.
Este artigo apresenta o CAM-LDS, um novo conjunto de dados de logs de ataques cibernéticos gerado em um ambiente de teste reprodutível para superar a escassez de dados rotulados e demonstrar a eficácia de Modelos de Linguagem Grandes (LLMs) na interpretação automática e semântica de logs de segurança e alertas de intrusão.
Este trabalho apresenta uma nova noção quantitativa de privacidade, denominada "Privacidade Adversarial Bayesiana", que supera a privacidade diferencial e a teoria de divulgação estatística ao basear decisões de divulgação na perspectiva de priori, utilizando conceitos da teoria de decisão bayesiana.
O artigo apresenta o PTOPOFL, um framework de aprendizado federado personalizado que utiliza descritores topológicos derivados da homologia persistente para substituir o compartilhamento de gradientes, garantindo simultaneamente privacidade contra ataques de reconstrução e melhor desempenho em cenários de dados não-IID através de uma agregação guiada por topologia.
Este artigo propõe a Regularização de Jacobiano Alinhada Adversarialmente (AAJR), uma abordagem que controla a sensibilidade dos sistemas de IA agêntica apenas nas direções de ascensão adversarial, garantindo estabilidade no treinamento minimax sem as restrições excessivas e a perda de desempenho associadas aos limites globais de Jacobiano.
Este estudo analisa um conjunto de dados de 10 anos no YouTube, revelando que, embora o marketing de afiliados seja generalizado, a conformidade com as normas de divulgação da FTC permanece baixa, sugerindo que a colaboração entre plataformas, reguladores e parceiros é essencial para aumentar a transparência e a confiança na economia de influenciadores.
Este trabalho demonstra a implementação de protocolos de comunicação quântica além da distribuição de chaves, especificamente transferência oblívia e tokens quânticos, em hardware QKD existente, estabelecendo uma metodologia para o desenvolvimento de redes de comunicação quântica multi-propósito.
Este artigo oferece uma revisão abrangente do Acordo de Chave Quântica Multipartidário (MQKA), organizando os protocolos em um espaço de design baseado em arquitetura de rede, recursos quânticos e modelos de segurança, e identifica desafios abertos e propõe um roteiro para implementações futuras na internet quântica.
Este artigo propõe um framework de aprendizado federado para XGBoost que garante segurança e eficiência em cenários multi-partes, utilizando compartilhamento secreto e otimização distribuída para resolver problemas de vazamento de dados e sobrecarga computacional.