Progressive-Resolution Secure Aggregation for Federated Learning
该论文聚焦联邦学习（FL）中的安全聚合（Secure Aggregation）机制，并指出其一个长期被忽视的功能性局限：在传统协议中，聚合结果的精度（分辨率）在客户端上传更新时就被一次性固定下来。也就是说，服务器与客户端在协议开始前必须就量
#quantization
共收录 16 条相关情报。
← 返回所有主题On the Relationship between Model Quantization and Model Inversion Attacks
该论文研究模型量化与模型反演攻击（Model Inversion, MI）之间的定量关系，并据此提出一种兼顾隐私与效用的训练后量化方法。研究背景是：量化通过降低神经网络权重与激活的数值精度来压缩存储与计算开销，已在边缘与部署场景广泛使用；但
Quantization Enables Private Dense Retrieval against Malicious Service Providers
该论文研究 RAG(检索增强生成)中稠密检索的隐私与完整性问题。稠密检索通过比较查询与大规模语料库文档的稠密向量表示来召回最相关文档，是 RAG 的核心组件。在医疗、法律等隐私敏感场景中，检索通常外包给第三方服务：服务器既能看到用户明文查询
Beyond Scalar Probes: Exploiting Vector-Valued Outputs in ReLU Networks For Signature Extraction
本文重新审视了针对 ReLU 前馈神经网络的"密码分析式"模型提取问题，即把神经网络权重与偏置的恢复类比为对密码算法的密钥恢复，从几何与代数两个视角对这一问题给出新的刻画。论文指出，以往工作大多把注意力集中在网络的单个输出分量上（例如沿某一
Towards Understanding LLM-Based Log Anomaly Detection: An Empirical Study of Performance, Efficiency, and Robustness
该论文针对基于大语言模型（LLM）的日志异常检测展开系统性实证研究。背景是：尽管 LLM 在日志异常检测任务上已展现出可观效果，但从业者并不清楚「适配策略、模型架构、参数规模、量化与部署配置」这些工程变量究竟如何影响最终检测效果，现有工作往
AERIAL: Adversarial Evaluation of Robustness in Accuracy-Preserving Low-Precision EEG Decoders
该论文研究面向部署的模型压缩是否会改变脑机接口（BCI）中 EEG 解码器的对抗脆弱性，这一问题在资源受限的可穿戴/边缘 BCI 场景中尚未有明确结论。作者在 BCI Competition IV-2a 数据集上，对 32 位浮点（FP32
Quantization-Triggered Backdoors in Language Models: Cross-Quantizer Transferability and the Validation--Deployment Gap
本文针对大语言模型（LLM）后训练量化这一常见优化流程，提出并验证了一种新型后门攻击范式。量化通常被视为语义中立，但在实际工作流中，模型通常先在源精度（如FP16）上完成评估，之后再应用量化并直接部署，这种'验证-部署差距'（validat
Bit-Flip Attacks on Vision-Language-Action Models: Action-Decoding Architecture Shapes the Vulnerability
该论文首次系统研究了量化视觉-语言-动作（VLA）模型在权重位翻转攻击下的安全脆弱性。研究背景在于，VLA模型通常以INT8量化部署于边缘设备，而Rowhammer等硬件故障可导致模型权重中的比特位被翻转，从而破坏模型的决策行为。论文提出了
QuaSAR: Quantization Compensation via Stable Activation-Aware Rank Truncation
本文针对训练后量化（PTQ）中的残差补偿方法在低比特（W4A4）设置下失效的问题展开研究。现有无训练后量化方法通过闭式解进行残差补偿以恢复模型精度，并采用基于拟合优度的门控机制逐层筛选，仅保留补偿后残差拟合分数为正的层，以控制额外的存储开销
Bits and Memories: Measuring Verbatim Extraction Across LLM Quantization
本论文针对大语言模型（LLM）量化是否能够降低隐私风险的问题展开研究。现有相关研究几乎全部使用成员推断（membership inference）来衡量隐私，但作者认为这并非大多数人所关心的实际风险：人们真正担心的是模型逐字复现训练数据。为
Lazy Arithmetic using Systolic Arrays for Closing the Verification Gap on Embedded Systems
本论文针对嵌入式安全关键系统中部署深度神经网络等复杂算法时面临的安全性与资源效率矛盾问题展开研究。现有硬件（GPU、NPU、TPU）以吞吐量为设计目标，忽视计算正确性，易受故障注入攻击（特别是比特翻转攻击）；而软件量化方案要么静态且正确但功
Breaking the Rounding Trap: Securing LLMs against Quantization-Conditioned Backdoors
模型量化是降低大语言模型存储和推理开销的关键技术，但最近的研究表明，量化引入的离散化和舍入误差可被攻击者利用，构造量化条件后门攻击。在这种攻击下，恶意行为在全精度阶段保持休眠，仅在量化部署后激活，从而绕过传统的安全审计和检测机制。针对这一威
Quantization as a Malicious Task: Removing Quantization-Conditioned Backdoors via Task Arithmetic
该论文针对模型量化中的后门攻击（Quantization-Conditioned Backdoors, QCBs）提出了一种新型防御方法。QCBs 是一种后门威胁：模型在全精度下表现正常，但经过量化后激活恶意行为。现有防御通常需要修改量化过
Breaking TinyML: Why Quantized Neural Networks Need Domain-Specific Security Analysis
该论文聚焦于TinyML硬件加速器中量化神经网络（QNN）的安全性问题。TinyML设备因功耗和尺寸限制广泛采用量化技术，但先前安全研究主要关注全精度深度神经网络（DNN），且认为QNN对常见逃避攻击具有相似或更强的鲁棒性。然而，这些研究未
Quality Is Not a Safety Proxy Under Quantization
本文系统性地审计了量化大语言模型（LLM）安全评估中的一个常见捷径：先用质量指标（如困惑度、任务准确率）筛选量化后的检查点，再决定是否有必要进行直接安全测试。作者构建了一个包含51个数据点的矩阵，覆盖6个模型（如Llama、Mistral、
Quantamination: Dynamic Quantization Leaks Your Data Across the Batch
本文揭示了一种名为“Quantamination”的新型安全漏洞，该漏洞存在于机器学习服务系统中的动态量化（dynamic quantization）环节。动态量化是一种在模型推理运行时根据输入数据实时调整量化参数的优化技术，旨在降低内存占