Buchumschlag

Trusting What You Cannot See: Auditable Fine-Tuning and Inference for Proprietary AI

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jin, Heng, Zhang, Chaoyu, Yu, Hexuan, Shi, Shanghao, Zhang, Ning, Hou, Y. Thomas, Lou, Wenjing
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Enabling Trustworthy Federated Learning via Remote Attestation for Mitigating Byzantine Threats
von: Zhang, Chaoyu, et al.
Veröffentlicht: (2025)

ProFLingo: A Fingerprinting-based Intellectual Property Protection Scheme for Large Language Models
von: Jin, Heng, et al.
Veröffentlicht: (2024)

ClawCoin: An Agentic AI-Native Cryptocurrency for Decentralized Agent Economies
von: Li, Shaoyu, et al.
Veröffentlicht: (2026)

IU-GUARD: Privacy-Preserving Spectrum Coordination for Incumbent Users under Dynamic Spectrum Sharing
von: Li, Shaoyu, et al.
Veröffentlicht: (2026)

BoBa: Boosting Backdoor Detection through Data Distribution Inference in Federated Learning
von: Jiang, Zhengyuan, et al.
Veröffentlicht: (2024)

FC-GUARD: Enabling Anonymous yet Compliant Fiat-to-Cryptocurrency Exchanges
von: Li, Shaoyu, et al.
Veröffentlicht: (2026)

MedLeak: Multimodal Medical Data Leakage in Secure Federated Learning with Crafted Models
von: Shi, Shanghao, et al.
Veröffentlicht: (2024)

Closing the Visibility Gap: A Monitoring Framework for Verifiable Open RAN Operations
von: Yu, Hexuan, et al.
Veröffentlicht: (2025)

Differentiation-Based Extraction of Proprietary Data from Fine-Tuned LLMs
von: Li, Zongjie, et al.
Veröffentlicht: (2025)

FTSmartAudit: A Knowledge Distillation-Enhanced Framework for Automated Smart Contract Auditing Using Fine-Tuned LLMs
von: Wei, Zhiyuan, et al.
Veröffentlicht: (2024)

CryptPEFT: Efficient and Private Neural Network Inference via Parameter-Efficient Fine-Tuning
von: Xia, Saisai, et al.
Veröffentlicht: (2025)

ObfuscaTune: Obfuscated Offsite Fine-tuning and Inference of Proprietary LLMs on Private Datasets
von: Frikha, Ahmed, et al.
Veröffentlicht: (2024)

You Can Use But Cannot Recognize: Preserving Visual Privacy in Deep Neural Networks
von: Li, Qiushi, et al.
Veröffentlicht: (2024)

Low Rank Adaptation for Adversarial Perturbation
von: Liu, Han, et al.
Veröffentlicht: (2026)

TraceGuard: Process-Guided Firewall against Reasoning Backdoors in Large Language Models
von: Guo, Zhen, et al.
Veröffentlicht: (2026)

AgentDyn: Are Your Agent Security Defenses Deployable in Real-World Dynamic Environments?
von: Li, Hao, et al.
Veröffentlicht: (2026)

Can You Trust What You See? Alpha Channel No-Box Attacks on Video Object Detection
von: Yi, Ariana, et al.
Veröffentlicht: (2025)

Browsing without Third-Party Cookies: What Do You See?
von: Lin, Maxwell, et al.
Veröffentlicht: (2024)

DarkMind: Latent Chain-of-Thought Backdoor in Customized LLMs
von: Guo, Zhen, et al.
Veröffentlicht: (2025)

Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs
von: Cai, Will, et al.
Veröffentlicht: (2025)

Fun-tuning: Characterizing the Vulnerability of Proprietary LLMs to Optimization-based Prompt Injection Attacks via the Fine-Tuning Interface
von: Labunets, Andrey, et al.
Veröffentlicht: (2025)

What You Trust Is Insecure: Demystifying How Developers (Mis)Use Trusted Execution Environments in Practice
von: Niu, Yuqing, et al.
Veröffentlicht: (2025)

Data Reconstruction: When You See It and When You Don't
von: Cohen, Edith, et al.
Veröffentlicht: (2024)

Membership Inference Attacks Cannot Prove that a Model Was Trained On Your Data
von: Zhang, Jie, et al.
Veröffentlicht: (2024)

SoK: Public Blockchain Sharding
von: Barat, Md Mohaimin Al, et al.
Veröffentlicht: (2024)

Black-Box Skill Stealing Attack from Proprietary LLM Agents: An Empirical Study
von: Wang, Zihan, et al.
Veröffentlicht: (2026)

Adversarial Perturbations Cannot Reliably Protect Artists From Generative AI
von: Hönig, Robert, et al.
Veröffentlicht: (2024)

LLM-SmartAudit: Advanced Smart Contract Vulnerability Detection
von: Wei, Zhiyuan, et al.
Veröffentlicht: (2024)

Making Theft Useless: Adulteration-Based Protection of Proprietary Knowledge Graphs in GraphRAG Systems
von: Wang, Weijie, et al.
Veröffentlicht: (2026)

Behavioral Canaries: Auditing Private Retrieved Context Usage in RL Fine-Tuning
von: Chen, Chaoran, et al.
Veröffentlicht: (2026)

Accelerating Private Large Transformers Inference through Fine-grained Collaborative Computation
von: Chen, Yuntian, et al.
Veröffentlicht: (2024)

A Blockchain-Based Audit Mechanism for Trust and Integrity in IoT-Fog Environments
von: Martinez, Ismael, et al.
Veröffentlicht: (2024)

State-of-the-Art Approaches to Enhancing Privacy Preservation of Machine Learning Datasets: A Survey
von: Zhang, Chaoyu, et al.
Veröffentlicht: (2024)

Rethinking Jailbreak Detection of Large Vision Language Models with Representational Contrastive Scoring
von: Hua, Peichun, et al.
Veröffentlicht: (2025)

Data Provenance Auditing of Fine-Tuned Large Language Models with a Text-Preserving Technique
von: Li, Yanming, et al.
Veröffentlicht: (2025)

Proof-of-Guardrail in AI Agents and What (Not) to Trust from It
von: Jin, Xisen, et al.
Veröffentlicht: (2026)

You Still See Me: How Data Protection Supports the Architecture of AI Surveillance
von: Yew, Rui-Jie, et al.
Veröffentlicht: (2024)

In-Context Probing for Membership Inference in Fine-Tuned Language Models
von: Lu, Zhexi, et al.
Veröffentlicht: (2025)

CachePrune: Privacy-Aware and Fine-Grained KV Cache Sharing for Efficient LLM Inference
von: Wu, Guanlong, et al.
Veröffentlicht: (2026)

PrivacyPeek: Auditing What LLM-Based Agents Acquire, Not Just What They Say
von: Zhang, Mingxuan, et al.
Veröffentlicht: (2026)