Buchumschlag

Transfer Learning for Security: Challenges and Future Directions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Adrian Shuai, Iyengar, Arun, Kundu, Ashish, Bertino, Elisa
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Revisiting Concept Drift in Windows Malware Detection: Adaptation to Real Drifted Malware with Minimal Samples
von: Li, Adrian Shuai, et al.
Veröffentlicht: (2024)

Using Retriever Augmented Large Language Models for Attack Graph Generation
von: Prapty, Renascence Tarafder, et al.
Veröffentlicht: (2024)

LLMalMorph: On The Feasibility of Generating Variant Malware using Large-Language-Models
von: Akil, Md Ajwad, et al.
Veröffentlicht: (2025)

Graphene: Infrastructure Security Posture Analysis with AI-generated Attack Graphs
von: Jin, Xin, et al.
Veröffentlicht: (2023)

Uncovering Attacks and Defenses in Secure Aggregation for Federated Deep Learning
von: Zhang, Yiwei, et al.
Veröffentlicht: (2024)

LFreeDA: Label-Free Drift Adaptation for Windows Malware Detection
von: Li, Adrian Shuai, et al.
Veröffentlicht: (2025)

How Feasible is Augmenting Fake Nodes with Learnable Features as a Counter-strategy against Link Stealing Attacks?
von: Mostafiz, Mir Imtiaz, et al.
Veröffentlicht: (2025)

SWaRL: Safeguard Code Watermarking via Reinforcement Learning
von: Javidnia, Neusha, et al.
Veröffentlicht: (2026)

Federated Learning in Healthcare: Model Misconducts, Security, Challenges, Applications, and Future Research Directions -- A Systematic Review
von: Ali, Md Shahin, et al.
Veröffentlicht: (2024)

Zero-Trust Strategies for O-RAN Cellular Networks: Principles, Challenges and Research Directions
von: Katsis, Charalampos, et al.
Veröffentlicht: (2025)

Can Drift-Adaptive Malware Detectors Be Made Robust? Attacks and Defenses Under White-Box and Black-Box Threats
von: Li, Adrian Shuai, et al.
Veröffentlicht: (2026)

Security Concerns in Quantum Machine Learning as a Service
von: Kundu, Satwik, et al.
Veröffentlicht: (2024)

Securing Transfer-Learned Networks with Reverse Homomorphic Encryption
von: Allison, Robert, et al.
Veröffentlicht: (2025)

Deep-Lock: Secure Authorization for Deep Neural Networks
von: Alam, Manaar, et al.
Veröffentlicht: (2020)

Universally Harmonizing Differential Privacy Mechanisms for Federated Learning: Boosting Accuracy and Convergence
von: Feng, Shuya, et al.
Veröffentlicht: (2024)

LMN: A Tool for Generating Machine Enforceable Policies from Natural Language Access Control Rules using LLMs
von: Sonune, Pratik, et al.
Veröffentlicht: (2025)

Towards Strong Certified Defense with Universal Asymmetric Randomization
von: Hong, Hanbin, et al.
Veröffentlicht: (2025)

Automated Consistency Analysis of LLMs
von: Patwardhan, Aditya, et al.
Veröffentlicht: (2025)

Secure Transfer Learning: Training Clean Models Against Backdoor in (Both) Pre-trained Encoders and Downstream Datasets
von: Zhang, Yechao, et al.
Veröffentlicht: (2025)

Security in the Fine-Tuning Lifecycle of Large Language Models: Threats, Defenses,Evaluation, and Future Directions
von: Li, Wenjuan, et al.
Veröffentlicht: (2026)

Information Theoretic Adversarial Training of Large Language Models
von: Zhang, Yiwei, et al.
Veröffentlicht: (2026)

PLRV-O: Advancing Differentially Private Deep Learning via Privacy Loss Random Variable Optimization
von: Yang, Qin, et al.
Veröffentlicht: (2025)

Quantum-Resistant Networks: A Review of Primitives, Protocols and Best Practices
von: Bertino, Elisa, et al.
Veröffentlicht: (2026)

Advancing Honeywords for Real-World Authentication Security
von: Das, Sudiksha, et al.
Veröffentlicht: (2025)

Tight Group-Level DP Guarantees for DP-SGD with Sampling via Mixture of Gaussians Mechanisms
von: Ganesh, Arun
Veröffentlicht: (2024)

Learned-Database Systems Security
von: Schuster, Roei, et al.
Veröffentlicht: (2022)

Securing Federated Learning against Backdoor Threats with Foundation Model Integration
von: Bi, Xiaohuan, et al.
Veröffentlicht: (2024)

Supersonic OT: Fast Unconditionally Secure Oblivious Transfer
von: Abadi, Aydin, et al.
Veröffentlicht: (2024)

Quantum Machine Learning for Cybersecurity: A Taxonomy and Future Directions
von: Sai, Siva, et al.
Veröffentlicht: (2025)

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

Preserving Privacy and Security in Federated Learning
von: Nguyen, Truc, et al.
Veröffentlicht: (2022)

Graph Neural Backdoor: Fundamentals, Methodologies, Applications, and Future Directions
von: Yang, Xiao, et al.
Veröffentlicht: (2024)

COBRA: Catastrophic Bit-flip Reliability Analysis of State-Space Models
von: Das, Sanjay, et al.
Veröffentlicht: (2025)

FBChain: A Blockchain-based Federated Learning Model with Efficiency and Secure Communication
von: Li, Yang, et al.
Veröffentlicht: (2023)

Blockchain-empowered Federated Learning: Benefits, Challenges, and Solutions
von: Cai, Zeju, et al.
Veröffentlicht: (2024)

ZT-SDN: An ML-powered Zero-Trust Architecture for Software-Defined Networks
von: Katsis, Charalampos, et al.
Veröffentlicht: (2024)

Efficient Full-Stack Private Federated Deep Learning with Post-Quantum Security
von: Zhang, Yiwei, et al.
Veröffentlicht: (2025)

A Study of Secure Algorithms for Vertical Federated Learning: Take Secure Logistic Regression as an Example
von: Wang, Huan-Chih, et al.
Veröffentlicht: (2024)

CECILIA: Comprehensive Secure Machine Learning Framework
von: Ünal, Ali Burak, et al.
Veröffentlicht: (2022)

Efficiently Achieving Secure Model Training and Secure Aggregation to Ensure Bidirectional Privacy-Preservation in Federated Learning
von: Yang, Xue, et al.
Veröffentlicht: (2024)