When T2I Synthetic Data Backfires: Amplified Privacy Risks in Real-Synthetic Mix Training
该论文研究了真实数据与文本到图像（T2I）生成数据混合训练（RSMT）对隐私泄露的影响。尽管在学术界和工业界，使用T2I合成数据扩充真实数据已成为缓解数据稀缺和隐私限制的常见做法，但先前研究主要关注合成数据替代敏感样本对隐私的保护作用，而忽
#machine learning
共收录 8 条相关情报。
← 返回所有主题Poster: Towards Real-Time Intrusion Detection with Explainable AI-Based Detector.
本文提出了一种基于可解释人工智能的入侵检测系统（XAI-IDS），旨在解决传统基于规则的入侵检测系统效率低下、规则更新滞后以及纯AI驱动系统决策过程不透明、误报率高的问题。XAI-IDS通过集成可解释的深度学习模型，利用树正则化技术将复杂神
A Privacy-Preserving Framework Using Remote Data Science for Inter-Institutional Student Retention Prediction
该论文提出了一种基于远程数据科学（RDS）的隐私保护机器学习（PPML）框架，用于跨机构学生保留率预测。研究利用PySyft平台，设计了一个半气隙架构，包括高侧和低侧服务器，使得来自三所大学的研究人员能够在敏感学生数据上构建预测模型，而无需
Privacy-Preserving Credit Risk Prediction with Alternative Data
信用风险预测是消费信贷行业的核心问题。传统上，金融机构使用借款人的人口统计、财务和信用历史数据（统称为传统数据）构建预测模型。近年研究表明，替代数据（如手机通信数据）能为贷方提供更全面准确的借款人信用评估，从而提升预测性能。然而，替代数据由
TinyML-Driven Cybersecurity for Autonomous Spacecraft: Latency-Accuracy Analysis for SPARTA RF and Cyber Threat Detection
本文针对自主航天器在轨运行时面临的网络射频（RF）威胁，提出采用TinyML（微型机器学习）技术实现轻量级、低延迟的机载检测。研究以SPARTA攻击模型为基础，覆盖了上行链路干扰、Fake-NR欺骗、有效载荷篡改、地面段入侵以及未授权命令注
Group-based Robustness: A General Framework for Customized Robustness in the Real World.
该论文针对机器学习模型面对逃避攻击时的鲁棒性评估问题，指出现有的有目标鲁棒性和无目标鲁棒性指标无法准确反映现实场景中的威胁。具体来说，在许多实际应用中，攻击者可能只关心将某类源样本误导至某类目标样本，而非任意类别。为此，论文正式定义了一种新
Disassembly as Weighted Interval Scheduling with Learned Weights.
该论文提出了一种新的反汇编算法，该算法将反汇编问题转化为加权区间调度问题，并利用学习得到的权重进行指令选择。反汇编是逆向工程、二进制重写等二进制分析和转换技术的第一步。现有的反汇编方法通常包含三个阶段：探索阶段（过度近似二进制代码）、分析阶
Can Cross-Layer Design Bridge Security and Efficiency? A Robust Authentication Framework for Healthcare Information Exchange Systems
本文针对医疗健康信息交换（HIE）网络中设备认证的安全与效率平衡问题，提出了一种新颖的跨层认证方案。该方案将传统密码学机制与物理层（PHY）认证相结合，以在确保可靠通信的同时最小化计算和通信开销。初始认证阶段采用基于公钥基础设施（PKI）的