Buchumschlag

Vulnerability of Text-Matching in ML/AI Conference Reviewer Assignments to Collusions

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hsieh, Jhih-Yi, Raghunathan, Aditi, Shah, Nihar B.
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security Digital Libraries
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Identity Theft in AI Conference Peer Review
von: Shah, Nihar B., et al.
Veröffentlicht: (2025)

Detecting LLM-Generated Peer Reviews
von: Rao, Vishisht, et al.
Veröffentlicht: (2025)

Mens Sana In Corpore Sano: Sound Firmware Corpora for Vulnerability Research
von: Helmke, René, et al.
Veröffentlicht: (2024)

A Gold Standard Dataset for the Reviewer Assignment Problem
von: Stelmakh, Ivan, et al.
Veröffentlicht: (2023)

De-identification of clinical free text using natural language processing: A systematic review of current approaches
von: Kovačević, Aleksandar, et al.
Veröffentlicht: (2023)

AoI-Guided Client Selection for Robust and Timely Federated Intrusion Detection in Cloud-Edge Security Analytics
von: Chiu, Chun Yin
Veröffentlicht: (2026)

From Content Creation to Citation Inflation: A GenAI Case Study
von: Al-Sinani, Haitham S., et al.
Veröffentlicht: (2025)

Testing the Limits of Jailbreaking Defenses with the Purple Problem
von: Kim, Taeyoun, et al.
Veröffentlicht: (2024)

Your Privacy Depends on Others: Collusion Vulnerabilities in Individual Differential Privacy
von: Kaiser, Johannes, et al.
Veröffentlicht: (2026)

IANEC: Digital Forensic Investigation of Contemporary Writers' Archives
von: Giguet, Emmanuel
Veröffentlicht: (2025)

ML Researchers Support Openness in Peer Review But Are Concerned About Resubmission Bias
von: Rao, Vishisht, et al.
Veröffentlicht: (2025)

Hidden in Plain Text: Emergence & Mitigation of Steganographic Collusion in LLMs
von: Mathew, Yohan, et al.
Veröffentlicht: (2024)

TinyML Security: Exploring Vulnerabilities in Resource-Constrained Machine Learning Systems
von: Huckelberry, Jacob, et al.
Veröffentlicht: (2024)

Level Up with ML Vulnerability Identification: Leveraging Domain Constraints in Feature Space for Robust Android Malware Detection
von: Bostani, Hamid, et al.
Veröffentlicht: (2022)

Rejoinder: The ICML 2023 Ranking Experiment: Examining Author Self-Assessment in ML/AI Peer Review
von: Su, Buxin, et al.
Veröffentlicht: (2026)

Power side-channel leakage localization through adversarial training of deep neural networks
von: Gammell, Jimmy, et al.
Veröffentlicht: (2024)

FLAWS: A Benchmark for Error Identification and Localization in Scientific Papers
von: Xi, Sarina, et al.
Veröffentlicht: (2025)

Enhancing Peer Review in Astronomy: A Machine Learning and Optimization Approach to Reviewer Assignments for ALMA
von: Carpenter, John M., et al.
Veröffentlicht: (2024)

Many-to-One Adversarial Consensus: Exposing Multi-Agent Collusion Risks in AI-Based Healthcare
von: Bashir, Adeela, et al.
Veröffentlicht: (2025)

Jailbreaking in the Haystack
von: Shah, Rishi Rajesh, et al.
Veröffentlicht: (2025)

Truth in Text: A Meta-Analysis of ML-Based Cyber Information Influence Detection Approaches
von: Pittman, Jason M.
Veröffentlicht: (2025)

Learning to Localize Leakage of Cryptographic Sensitive Variables
von: Gammell, Jimmy, et al.
Veröffentlicht: (2025)

User authentication system based on human exhaled breath physics
von: Karunanethy, Mukesh, et al.
Veröffentlicht: (2024)

Sponge Attacks on Sensing AI: Energy-Latency Vulnerabilities and Defense via Model Pruning
von: Hasan, Syed Mhamudul, et al.
Veröffentlicht: (2025)

Towards Secure Intelligent O-RAN Architecture: Vulnerabilities, Threats and Promising Technical Solutions using LLMs
von: Motalleb, Mojdeh Karbalaee, et al.
Veröffentlicht: (2024)

Auditing Privacy in Multi-Tenant RAG under Account Collusion
von: Burnat, Florian A. D.
Veröffentlicht: (2026)

SpinML: Customized Synthetic Data Generation for Private Training of Specialized ML Models
von: Zhang, Jiang, et al.
Veröffentlicht: (2025)

ML Study of MaliciousTransactions in Ethereum
von: Katz, Natan
Veröffentlicht: (2024)

X Hacking: The Threat of Misguided AutoML
von: Sharma, Rahul, et al.
Veröffentlicht: (2024)

Dissecting Adversarial Robustness of Multimodal LM Agents
von: Wu, Chen Henry, et al.
Veröffentlicht: (2024)

Efficient Public Verification of Private ML via Regularization
von: Bell, Zoë Ruha, et al.
Veröffentlicht: (2025)

Adversarial ML Problems Are Getting Harder to Solve and to Evaluate
von: Rando, Javier, et al.
Veröffentlicht: (2025)

Privacy Vulnerabilities in Marginals-based Synthetic Data
von: Golob, Steven, et al.
Veröffentlicht: (2024)

Can LLMs be Fooled? Investigating Vulnerabilities in LLMs
von: Abdali, Sara, et al.
Veröffentlicht: (2024)

On Reliability of Efficient Membership Inference Vulnerability Evaluation
von: Jälkö, Joonas, et al.
Veröffentlicht: (2026)

Vulnerability-Aware Robust Multimodal Adversarial Training
von: Zhang, Junrui, et al.
Veröffentlicht: (2025)

Agentic Vulnerability Reasoning on Windows COM Binaries
von: Lee, Hwiwon, et al.
Veröffentlicht: (2026)

A General Framework for Data-Use Auditing of ML Models
von: Huang, Zonghao, et al.
Veröffentlicht: (2024)

Practical and Private Hybrid ML Inference with Fully Homomorphic Encryption
von: Biswas, Sayan, et al.
Veröffentlicht: (2025)

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