Buchumschlag

Machine learning for modular multiplication

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Lauter, Kristin, Li, Cathy Yuanchen, Maughan, Krystal, Newton, Rachel, Srivastava, Megha
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Salsa Fresca: Angular Embeddings and Pre-Training for ML Attacks on Learning With Errors
von: Stevens, Samuel, et al.
Veröffentlicht: (2024)

Improving ML Attacks on LWE with Data Repetition and Stepwise Regression
von: Alfarano, Alberto, et al.
Veröffentlicht: (2026)

TAPAS: Datasets for Learning the Learning with Errors Problem
von: Saxena, Eshika, et al.
Veröffentlicht: (2025)

How does Graph Structure Modulate Membership-Inference Risk for Graph Neural Networks?
von: Khosla, Megha
Veröffentlicht: (2026)

Optimistic Verifiable Training by Controlling Hardware Nondeterminism
von: Srivastava, Megha, et al.
Veröffentlicht: (2024)

The cool and the cruel: separating hard parts of LWE secrets
von: Nolte, Niklas, et al.
Veröffentlicht: (2024)

An efficient algorithm for integer lattice reduction
von: Charton, François, et al.
Veröffentlicht: (2023)

Anticipated Network Surveillance -- An extrapolated study to predict cyber-attacks using Machine Learning and Data Analytics
von: Srivastava, Aviral, et al.
Veröffentlicht: (2023)

Hawkeye: Reproducing GPU-Level Non-Determinism
von: Badash, Erez, et al.
Veröffentlicht: (2026)

Beyond Laplace and Gaussian: Exploring the Generalized Gaussian Mechanism for Private Machine Learning
von: Rinberg, Roy, et al.
Veröffentlicht: (2025)

NoMod: A Non-modular Attack on Module Learning With Errors
von: Bassotto, Cristian, et al.
Veröffentlicht: (2025)

A Factored MDP Approach To Moving Target Defense With Dynamic Threat Modeling and Cost Efficiency
von: Bose, Megha, et al.
Veröffentlicht: (2024)

Machine learning-based network intrusion detection for big and imbalanced data using oversampling, stacking feature embedding and feature extraction
von: Talukder, Md. Alamin, et al.
Veröffentlicht: (2024)

Verification of Machine Unlearning is Fragile
von: Zhang, Binchi, et al.
Veröffentlicht: (2024)

MUBox: A Critical Evaluation Framework of Deep Machine Unlearning
von: Li, Xiang, et al.
Veröffentlicht: (2025)

Towards Irreversible Machine Unlearning for Diffusion Models
von: Yuan, Xun, et al.
Veröffentlicht: (2025)

Certified Machine Unlearning via Noisy Stochastic Gradient Descent
von: Chien, Eli, et al.
Veröffentlicht: (2024)

Contrastive Unlearning: A Contrastive Approach to Machine Unlearning
von: Lee, Hong kyu, et al.
Veröffentlicht: (2024)

ML2SC: Deploying Machine Learning Models as Smart Contracts on the Blockchain
von: Li, Zhikai, et al.
Veröffentlicht: (2024)

Adversarial Machine Unlearning
von: Di, Zonglin, et al.
Veröffentlicht: (2024)

Generative AI in Live Operations: Evidence of Productivity Gains in Cybersecurity and Endpoint Management
von: Bono, James, et al.
Veröffentlicht: (2025)

Privacy Profiles for Private Selection
von: Koskela, Antti, et al.
Veröffentlicht: (2024)

AMUN: Adversarial Machine UNlearning
von: Ebrahimpour-Boroojeny, Ali, et al.
Veröffentlicht: (2025)

Improving the Privacy and Practicality of Objective Perturbation for Differentially Private Linear Learners
von: Redberg, Rachel, et al.
Veröffentlicht: (2023)

Benchmarking Attacks on Learning with Errors
von: Wenger, Emily, et al.
Veröffentlicht: (2024)

Predicting Vulnerability to Malware Using Machine Learning Models: A Study on Microsoft Windows Machines
von: Esnaashari, Marzieh, et al.
Veröffentlicht: (2025)

SDN-Based False Data Detection With Its Mitigation and Machine Learning Robustness for In-Vehicle Networks
von: Dang, Long, et al.
Veröffentlicht: (2025)

A transformer-BiGRU-based framework with data augmentation and confident learning for network intrusion detection
von: Zhang, Jiale, et al.
Veröffentlicht: (2025)

Attacks in Adversarial Machine Learning: A Systematic Survey from the Life-cycle Perspective
von: Wu, Baoyuan, et al.
Veröffentlicht: (2023)

Whispers in the Machine: Confidentiality in Agentic Systems
von: Evertz, Jonathan, et al.
Veröffentlicht: (2024)

Agentic Privacy-Preserving Machine Learning
von: Zhang, Mengyu, et al.
Veröffentlicht: (2025)

Machine Learning with Privacy for Protected Attributes
von: Mahloujifar, Saeed, et al.
Veröffentlicht: (2025)

On the (In)Security of Loading Machine Learning Models
von: Digregorio, Gabriele, et al.
Veröffentlicht: (2025)

OmniLytics+: A Secure, Efficient, and Affordable Blockchain Data Market for Machine Learning through Off-Chain Processing
von: Li, Songze, et al.
Veröffentlicht: (2024)

Zero-Knowledge Proof-based Verifiable Decentralized Machine Learning in Communication Network: A Comprehensive Survey
von: Xing, Zhibo, et al.
Veröffentlicht: (2023)

Combining Machine Learning Defenses without Conflicts
von: Duddu, Vasisht, et al.
Veröffentlicht: (2024)

On the Conflict of Robustness and Learning in Collaborative Machine Learning
von: Raynal, Mathilde, et al.
Veröffentlicht: (2024)

Evaluations of Machine Learning Privacy Defenses are Misleading
von: Aerni, Michael, et al.
Veröffentlicht: (2024)

MGTBench: Benchmarking Machine-Generated Text Detection
von: He, Xinlei, et al.
Veröffentlicht: (2023)

SoK: Data Minimization in Machine Learning
von: Staab, Robin, et al.
Veröffentlicht: (2025)