Los investigadores presentan Mid-Harness, un método que muestrea y verifica acciones candidatas en el límite entre el modelo y el arnés para mejorar la fiabilidad de la ejecución en agentes terminales. Este enfoque asigna cómputo en tiempo de prueba verificando múltiples opciones antes de enviar una para su ejecución, manteniendo inalterados el generador y el arnés.
El artículo presenta Human2Any, un método para la transferencia de humano a robot que utiliza planificación composicional consciente de restricciones. No se proporcionan más detalles ni texto principal en la fuente.
Los investigadores presentan ShareMMU, un diseño de IOMMU que permite a múltiples aceleradores no confiables reutilizar de forma segura direcciones previamente traducidas dentro de un espacio de direcciones virtuales compartido. Este enfoque mitiga los riesgos de canales laterales asociados con grandes búferes de traducción compartidos (TLB) mientras mantiene un alto rendimiento.
Los investigadores presentan la Distilación de Decodificación Paralela (PDD), un método simplificado basado en trayectorias para acelerar la inferencia en modelos de difusión y emparejamiento de flujos. A diferencia de los enfoques actuales que dependen de la distilación variacional de puntuaciones difícil de optimizar y pérdidas adversarias, PDD predice múltiples pasos de desvanecimiento por evaluación de red.
El investigador de Nvidia N. Horrocks presenta los modelos extendidos de errores de detectores (EDEMs) diseñados para manejar programas cuánticos tolerantes a fallos con circuitos estabilizadores y errores de Pauli estocásticos. Estos modelos permiten que el análisis de errores se componga en secuencia y paralelo, reflejando la estructura de las realizaciones físicas del circuito.
Los investigadores proponen Onyx, un enfoque eficiente en costos para la búsqueda de vecinos más cercanos aproximados (ANN) disk-oblivious que equilibra el ancho de banda y el recuento de accesos invirtiendo el diseño de los sistemas ORAM-ANN de última generación.
Los investigadores presentan Privatar, un marco que descarga la reconstrucción del avatar desde los auriculares hacia dispositivos locales no confiables mientras se protege contra la interceptación de datos. El sistema aprovecha el conocimiento específico del dominio de la reconstrucción del avatar para lograr una descarga privativa demostrable con un costo mínimo de rendimiento.
Investigadores de NVIDIA han presentado GPIR, un sistema que acelera la Recuperación Privada de Información (PIR) en GPUs abordando la alta computación y el tráfico de memoria en el lado del servidor inherentes a los protocolos basados en retículas. El sistema emplea un modelo de ejecución híbrido consciente de las etapas que cambia dinámicamente entre kernels a nivel de operación y a nivel de etapa para maximizar la reutilización de datos en el chip.
Un nuevo estudio presenta una caracterización unificada a nivel de sistema de la computación multipartita segura (MPC) y la criptografía totalmente homomórfica (FHE) para inferencia de aprendizaje automático que preserva la privacidad. El trabajo evalúa dos variantes de MPC —conversión de compartición aritmética/binaria y compartición secreta de funciones— junto con FHE en múltiples modelos CNN y Transformer.
Un documento de posición de investigadores de NVIDIA describe una visión para proteger a los agentes de IA contra ataques de inyección indirecta de prompts, donde instrucciones maliciosas incrustadas en datos no confiables desencadenan acciones peligrosas. Los autores argumentan que la defensa efectiva requiere ir más allá de las correcciones aisladas del modelo hacia arquitecturas integrales a nivel de sistema.
Los investigadores han formalizado ataques de denegación de servicio en tiempo de inferencia (PI-DoS) que explotan el alto costo computacional del razonamiento explícito multi-paso en Modelos de Razonamiento Grandes (LRMs). Presentan ReasoningBomb, un marco basado en aprendizaje por refuerzo que entrena a un atacante para generar prompts naturales cortos que llevan a los modelos víctimas a trazos de razonamiento patológicamente largos y a menudo no terminantes.
Los investigadores han presentado ReasAlign, una solución a nivel de modelo diseñada para mejorar la alineación de seguridad en Modelos de Lenguaje Grande (LLM) frente a ataques de inyección indirecta de instrucciones. El enfoque incorpora pasos de razonamiento estructurados para analizar las consultas del usuario y detectar instrucciones conflictivas, asegurando la continuidad de las tareas pretendidas por el usuario.