Buchumschlag

GPML: Graph Processing for Machine Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jaber, Majed, Michel, Julien, Boutry, Nicolas, Parrend, Pierre
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Artificial Intelligence Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

RedTeamLLM: an Agentic AI framework for offensive security
von: Challita, Brian, et al.
Veröffentlicht: (2025)

The Data Minimization Principle in Machine Learning
von: Ganesh, Prakhar, et al.
Veröffentlicht: (2024)

Machine Learning Transferability for Malware Detection
von: Vieira, César, et al.
Veröffentlicht: (2026)

Adversarial Machine Learning Threats to Spacecraft
von: Thummala, Rajiv, et al.
Veröffentlicht: (2024)

Locking Machine Learning Models into Hardware
von: Clifford, Eleanor, et al.
Veröffentlicht: (2024)

Machine Learning-Based Security Policy Analysis
von: Jain, Krish, et al.
Veröffentlicht: (2024)

Bridging Privacy and Robustness for Trustworthy Machine Learning
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2024)

Smooth Sensitivity for Learning Differentially-Private yet Accurate Rule Lists
von: Ly, Timothée, et al.
Veröffentlicht: (2024)

Tackling the Local Bias in Federated Graph Learning
von: Zhang, Binchi, et al.
Veröffentlicht: (2021)

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

Gaussian DP for Reporting Differential Privacy Guarantees in Machine Learning
von: Gomez, Juan Felipe, et al.
Veröffentlicht: (2025)

A Cryptographic Perspective on Mitigation vs. Detection in Machine Learning
von: Gluch, Greg, et al.
Veröffentlicht: (2025)

Analyzing Inference Privacy Risks Through Gradients in Machine Learning
von: Li, Zhuohang, et al.
Veröffentlicht: (2024)

Effectiveness of L2 Regularization in Privacy-Preserving Machine Learning
von: Chandrinos, Nikolaos, et al.
Veröffentlicht: (2024)

RMF: A Risk Measurement Framework for Machine Learning Models
von: Schröder, Jan, et al.
Veröffentlicht: (2024)

Conditional Adversarial Fragility in Financial Machine Learning under Macroeconomic Stress
von: Baviskar, Samruddhi
Veröffentlicht: (2025)

A Survey of Zero-Knowledge Proof Based Verifiable Machine Learning
von: Peng, Zhizhi, et al.
Veröffentlicht: (2025)

Research on Dynamic Data Flow Anomaly Detection based on Machine Learning
von: Wang, Liyang, et al.
Veröffentlicht: (2024)

FRAMU: Attention-based Machine Unlearning using Federated Reinforcement Learning
von: Shaik, Thanveer, et al.
Veröffentlicht: (2023)

A Graph Transformer-Driven Approach for Network Robustness Learning
von: Zhang, Yu, et al.
Veröffentlicht: (2023)

Backdoor Attack on Vertical Federated Graph Neural Network Learning
von: Yang, Jirui, et al.
Veröffentlicht: (2024)

An Unbiased Transformer Source Code Learning with Semantic Vulnerability Graph
von: Islam, Nafis Tanveer, et al.
Veröffentlicht: (2023)

Evaluating Privacy Leakage in Split Learning
von: Qiu, Xinchi, et al.
Veröffentlicht: (2023)

Adversarial Robustness in Financial Machine Learning: Defenses, Economic Impact, and Governance Evidence
von: Baviskar, Samruddhi
Veröffentlicht: (2025)

Knowledge-Informed Auto-Penetration Testing Based on Reinforcement Learning with Reward Machine
von: Li, Yuanliang, et al.
Veröffentlicht: (2024)

Learning-Based Link Anomaly Detection in Continuous-Time Dynamic Graphs
von: Poštuvan, Tim, et al.
Veröffentlicht: (2024)

Watermarking across Modalities for Content Tracing and Generative AI
von: Fernandez, Pierre
Veröffentlicht: (2025)

Trusted Machine Learning Models Unlock Private Inference for Problems Currently Infeasible with Cryptography
von: Shumailov, Ilia, et al.
Veröffentlicht: (2025)

A Study on the Importance of Features in Detecting Advanced Persistent Threats Using Machine Learning
von: Hallaji, Ehsan, et al.
Veröffentlicht: (2025)

Decentralized Weather Forecasting via Distributed Machine Learning and Blockchain-Based Model Validation
von: Umar, Rilwan, et al.
Veröffentlicht: (2025)

Feature Selection via GANs (GANFS): Enhancing Machine Learning Models for DDoS Mitigation
von: Patel, Harsh
Veröffentlicht: (2025)

Robust Anomaly Detection in Network Traffic: Evaluating Machine Learning Models on CICIDS2017
von: Xu, Zhaoyang, et al.
Veröffentlicht: (2025)

NoPhish: Efficient Chrome Extension for Phishing Detection Using Machine Learning Techniques
von: Thaqi, Leand, et al.
Veröffentlicht: (2024)

Machine Learning needs Better Randomness Standards: Randomised Smoothing and PRNG-based attacks
von: Dahiya, Pranav, et al.
Veröffentlicht: (2023)

RQP-SGD: Differential Private Machine Learning through Noisy SGD and Randomized Quantization
von: Feng, Ce, et al.
Veröffentlicht: (2024)

AI-Driven Anonymization: Protecting Personal Data Privacy While Leveraging Machine Learning
von: Yang, Le, et al.
Veröffentlicht: (2024)

SAFELOC: Overcoming Data Poisoning Attacks in Heterogeneous Federated Machine Learning for Indoor Localization
von: Singampalli, Akhil, et al.
Veröffentlicht: (2024)

GraphToxin: Reconstructing Full Unlearned Graphs from Graph Unlearning
von: Song, Ying, et al.
Veröffentlicht: (2025)

Fast Exact Unlearning for In-Context Learning Data for LLMs
von: Muresanu, Andrei I., et al.
Veröffentlicht: (2024)

A Survey on Adversarial Robustness of LiDAR-based Machine Learning Perception in Autonomous Vehicles
von: Kim, Junae, et al.
Veröffentlicht: (2024)