:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Alfarano, Alberto, Saxena, Eshika, Wenger, Emily, Charton, François, Lauter, Kristin
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	https://arxiv.org/abs/2604.03903
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

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

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

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

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

Making Hard Problems Easier with Custom Data Distributions and Loss Regularization: A Case Study in Modular Arithmetic
von: Saxena, Eshika, et al.
Veröffentlicht: (2024)

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

Machine learning for modular multiplication
von: Lauter, Kristin, et al.
Veröffentlicht: (2024)

Model Inversion Attacks Meet Cryptographic Fuzzy Extractors
von: Prabhakar, Mallika, et al.
Veröffentlicht: (2025)

Provable Robustness against Backdoor Attacks via the Primal-Dual Perspective on Differential Privacy
von: Saxena, Aman, et al.
Veröffentlicht: (2026)

Intriguing Properties of Adversarial ML Attacks in the Problem Space [Extended Version]
von: Cortellazzi, Jacopo, et al.
Veröffentlicht: (2019)

Development of an Edge Resilient ML Ensemble to Tolerate ICS Adversarial Attacks
von: Yao, Likai, et al.
Veröffentlicht: (2024)

Attacking Byzantine Robust Aggregation in High Dimensions
von: Choudhary, Sarthak, et al.
Veröffentlicht: (2023)

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

A No-Defense Defense Against Gradient-Based Adversarial Attacks on ML-NIDS: Is Less More?
von: elShehaby, Mohamed, et al.
Veröffentlicht: (2026)

INTARG: Informed Real-Time Adversarial Attack Generation for Time-Series Regression
von: Tokgoz, Gamze Kirman, et al.
Veröffentlicht: (2026)

Detecting Distributed Denial of Service Attacks Using Logistic Regression and SVM Methods
von: Ullah, Mohammad Arafat, et al.
Veröffentlicht: (2024)

MAIDS: Malicious Agent Identification-based Data Security Model for Cloud Environments
von: Gupta, Kishu, et al.
Veröffentlicht: (2024)

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

Instance-Level Data-Use Auditing of Visual ML Models
von: Huang, Zonghao, et al.
Veröffentlicht: (2025)

Taking off the Rose-Tinted Glasses: A Critical Look at Adversarial ML Through the Lens of Evasion Attacks
von: Eykholt, Kevin, et al.
Veröffentlicht: (2024)

Attribute Inference Attacks for Federated Regression Tasks
von: Diana, Francesco, et al.
Veröffentlicht: (2024)

Watermarking Needs Input Repetition Masking
von: Khachaturov, David, et al.
Veröffentlicht: (2025)

Provable Watermarking for Data Poisoning Attacks
von: Zhu, Yifan, et al.
Veröffentlicht: (2025)

Enhancing the Antidote: Improved Pointwise Certifications against Poisoning Attacks
von: Liu, Shijie, et al.
Veröffentlicht: (2023)

Membership Inference Attacks Beyond Overfitting
von: Khalil, Mona, et al.
Veröffentlicht: (2025)

Stealthy Poisoning Attacks Bypass Defenses in Regression Settings
von: Carnerero-Cano, Javier, et al.
Veröffentlicht: (2026)

Synthetic Tabular Data: Methods, Attacks and Defenses
von: Cormode, Graham, et al.
Veröffentlicht: (2025)

Indiscriminate Data Poisoning Attacks on Neural Networks
von: Lu, Yiwei, et al.
Veröffentlicht: (2022)

Constrained Adaptive Attack: Effective Adversarial Attack Against Deep Neural Networks for Tabular Data
von: Simonetto, Thibault, et al.
Veröffentlicht: (2024)

SecureLearn -- An Attack-agnostic Defense for Multiclass Machine Learning Against Data Poisoning Attacks
von: Paracha, Anum, et al.
Veröffentlicht: (2025)

A Machine Learning-Based Framework for Assessing Cryptographic Indistinguishability of Lightweight Block Ciphers
von: Dani, Jimmy, et al.
Veröffentlicht: (2024)

Deep Learning-Assisted Improved Differential Fault Attacks on Lightweight Stream Ciphers
von: Lim, Kok Ping, et al.
Veröffentlicht: (2026)

Using Graph Theory for Improving Machine Learning-based Detection of Cyber Attacks
von: Zonneveld, Giacomo, et al.
Veröffentlicht: (2024)

Backdoor Attacks on Transformers for Tabular Data: An Empirical Study
von: Pleiter, Bart, et al.
Veröffentlicht: (2023)

Data Reconstruction Attacks and Defenses: A Systematic Evaluation
von: Liu, Sheng, et al.
Veröffentlicht: (2024)

Inverting Gradient Attacks Makes Powerful Data Poisoning
von: Bouaziz, Wassim, et al.
Veröffentlicht: (2024)

Privacy Amplification Through Synthetic Data: Insights from Linear Regression
von: Pierquin, Clément, et al.
Veröffentlicht: (2025)

Attacks on Sparse LWE and Sparse LPN with new Sample-Time tradeoffs
von: Agrawal, Shashwat, et al.
Veröffentlicht: (2026)

When AI Defeats Password Deception! A Deep Learning Framework to Distinguish Passwords and Honeywords
von: Dani, Jimmy, et al.
Veröffentlicht: (2024)

Indiscriminate Data Poisoning Attacks on Pre-trained Feature Extractors
von: Lu, Yiwei, et al.
Veröffentlicht: (2024)