- 揭示潜力：利用深度度量学习绕过视频流加密
基于深度度量学习的三元损失方法，我们提出了一个健壮、通用、可扩展和可转移的加密视频流检测框架，总结表明这种侧信道攻击的适用范围比最初想象的更广。
- 通过字符分析区分 Tor 与其他加密网络流量
记者、极权主义政权、告密者、Tor 网络和加密是该研究论文的关键词。
- 机器学习系统下多模态数据加密算法的加密分析与改进
通过使用加密算法保护信息交换，以保护个人信息、维护隐私安全，同时通过密码分析攻击方法与破解加密算法进行评估和验证来识别弱点，针对各种应用需求，提供破解密码算法及安全维护技术。
- AAAISentinelLMs：用于私密和安全推理的加密输入适应和微调语言模型
通过关键词隐私、安全、深度神经语言模型、加密和性能，本文提出了一种新颖的方法来改进和优化基于 Transformer 的语言模型，在密钥加密的用户特定文本上进行自适应和微调，以实现在保护性能、隐私和安全性的同时进行推理和训练。
- 通过噪声类对抗样本实现可恢复的隐私保护图像分类
我们提出了一种新颖的隐私保护图像分类方案，可以通过加密图像进行分类，同时能够高保真地解密回原始图像形式，并实现了高水平的安全性。
- 密文侦测器：密码类型分类
本文将解密任务视为分类问题，并在数据集上评估了各种 tokenizer 和模型组合的性能。
- FheFL：支持全同态加密的拜占庭用户隐私保护联邦学习
本文提出了一种基于全同态加密的联邦学习新方案，在保护用户隐私的同时有效应对了数据毒化攻击，保证了安全性、隐私性、收敛性以及在可接受的计算成本下取得了可比较的准确率。
- 基于属性引导的人脸纹理掩码加密
本文提出了一种名为 “AGE-FTM” 的算法，在保证高攻击成功率的同时实现了良好的可视化质量，它利用的是 GAN 来生成与面部属性修改后的空间一致的对手样本，并使用面部纹理掩蔽攻击来生成微不可见的不在空间内的对手样本，实验结果证明在面部识 - 停止以纯文本格式上传测试数据：缓解评估基准数据污染的实用策略
本研究提出了三种实用有效的策略来预防数据污染和确保模型能力的可信度，即使用公钥加密公开的测试数据、要求关闭 API 持有者采取训练排除控制并保护自己的测试数据、避免在互联网上出现已被解决的数据，并公开互联网衍生数据的背景。
- 优秀的记忆力：使用自回归语言模型进行加密
本文提出了第一个具有自回归语言模型的对称加密算法（SELM），证明了自回归模型可以通过随机子空间优化和贪婪解码将任意数据编码为紧凑的实数向量（即加密），然后无损地解码向量以获取原始信息（即解密）。同时，本文通过一种新的经验方法研究了 SEL - ICLR联邦最近邻机器翻译
本研究提出了一种新颖的联邦最近邻机器翻译框架（FedNN），利用一轮基于记忆的交互来在不同客户端之间共享知识，并整合由私有文本数据构建的外部数据存储库，以构建低开销的隐私保护系统。用于机器翻译任务的传统 FL 算法在 FedNN 框架中被取 - 隐私保护机器学习的合成数据集生成
提出一种从原始数据集生成安全合成数据集的方法，基于预训练的深度神经网络（DNN）的批量归一化（BN）层统计信息和随机噪声进行优化来匹配原始数据的层次统计分布。该方法可以用于从头开始训练神经网络来产生合理的分类性能。
- ICML一种含密钥的语义分割模型访问控制方法
本文提出了一种使用秘密密钥进行访问控制的新方法，旨在保护具有 Vision Transformer (即分割 Transformer) 的语义分割模型免受未经授权的访问。通过使用 ViT 所具有的 patch embedding 结构，训练 - 自然语言增强的网络密码算法
该研究论文调查了多种网络密码算法，并提出了一种将自然语言处理作为保护代理的方法，阐述了如何将语言集成到对称加密中以帮助加密容易受攻击的流。
- 用于加密流量分类和未知数据检测的深度学习
该论文提出了一种新的基于深度神经网络（DNN）的用户活动检测框架，用于从嗅探的加密互联网流量中识别移动应用程序中执行的细粒度用户活动（称为应用内活动）。 该框架使用基于时间窗口的方法将活动的流量分成片段，因此只需观察与活动相关的流量的一小部 - 联邦学习的聚合服务：高效、安全、更具韧性的实现
本文介绍了一个基于轻量级加密和数据混淆的联邦学习系统，结合恰当的带宽效率优化和对云服务器主动攻击的安全保护机制，在保证客户端数据隐私的前提下，整合来自多源的数据进行联合训练，并在多项数据集（MNIST、CIFAR-10、CelebA）上验证 - 我们口袋里的漏洞：客户端扫描的风险
本文讨论了客户端扫描技术（CSS）作为替代手段的加密与公共安全之间的辩论，认为 CSS 既不能保证有效的犯罪预防，也不能避免监视，会为整个社会带来严重的安全和隐私风险。
- EMNLPSYSML：带有结构和多任务学习的样式学习：对暗网论坛移民分析的影响
本研究利用基于样式的多任务学习方法来进行对用户活动的作者归属度量，进而在四个不同的暗网论坛上取得了比现存算法更好的效果。
- EMNLP语言理解任务中的数据隐私问题
本研究提出了一种名为 TextHide 的方法，它可以在不影响训练效率或准确性的情况下有效地减少分布式或联邦学习中的隐私风险，通过简单地添加加密步骤来防止窃听攻击者恢复私人文本数据，该方法能够与预训练语言模型的微调框架很好地契合，并在 GL - FleXOR: 可训练分数量化
本文提出了一种基于加密算法 / 架构的量化压缩方法，通过加入 XOR 门并利用反向传播进行梯度计算，实现了每个权重有小数位的量化比特数，并可用于深度神经网络，结果表明相比二进制神经网络，该方法能够在模型准确性和模型尺寸上达到更好的平衡。