Instruction Alignment for Binary Code Representation Learning
二进制代码表示学习是软件安全与逆向工程中的基础性难题，其目标是为二进制函数生成可供机器学习算法使用的嵌入表示。现有主流方法通常聚焦于函数级嵌入，通过对比学习或分类任务捕获不同函数之间的粗粒度语义相似性，但忽视了指令级粒度的对应关系。这种粒度
#representation-learning
共收录 6 条相关情报。
← 返回所有主题Representation and Reference Selection in Training-Free Synthetic Image Attribution
该论文研究了训练无关（training-free）的参考式合成图像溯源方法，即通过将待检测图像与已知生成源的参考图像进行比较来识别其来源。此类方法无需针对新生成器重新训练分类器，仅需添加特定来源的参考即可扩展，具有可扩展性强的优点。然而，其
The Platonic Defense: Backdoor Defense for Self-Supervised Encoders in the Era of Large Scale Pre-training
本文针对自监督学习（SSL）预训练模型易受后门攻击的问题，提出了一种全新的、攻击无关、模型无关、模态无关的黑盒测试时防御范式——柏拉图表示防御（Platonic Representation Defense）。该方法受柏拉图表示假设启发，该
Safety Geometry Collapse in Multimodal LLMs and Adaptive Drift Correction
多模态大语言模型（MLLM）在文本模态中学习到的安全能力往往无法泛化到语义等价的非文本输入（如图像、视频），导致持续的多模态安全差距。本文从表示几何的角度研究这一现象，通过分析文本对齐的拒绝方向（refusal direction）和模态引
Jacobian-Guided Anisotropic Noise Reshaping for Enhancing Representation Utility under Local Differential Privacy
局部差分隐私（LDP）作为分布式数据收集的基元，其严格的噪声注入要求常导致数据效用严重下降。传统LDP机制是任务无关的，在所有维度上均匀施加噪声，忽略了不同维度对下游任务的相对重要性。本文提出一种新颖方法，在数据表示的任务相关子空间中减轻噪
Evaluating Tabular Representation Learning for Network Intrusion Detection
该论文针对网络入侵检测系统（NIDS）中依赖人工特征工程的问题，系统评估了表格表示学习技术在NetFlow数据上的有效性。传统的NIDS需要专家手动提取特征，这与现代机器学习模型自动学习表示的理念相悖。论文选择了多种先进的表格表示学习方法（