शोधकर्ताओं ने मिड-हार्नेस पेश किया, एक विधि जो टर्मिनल एजेंट्स में निष्पादन विश्वसनीयता को बेहतर बनाने के लिए मॉडल-हार्नेस सीमा पर उम्मीदवार एक्शन का नमूना लेती और सत्यापित करती है। यह दृष्टिकोण एक एक्शन को निष्पादन के लिए आगे बढ़ाने से पहले कई विकल्पों की पुष्टि करके टेस्ट-टाइम कंप्यूट आवंटित करता है, जनरेटर और हार्नेस को अपरिवर्तित रखते हुए।
लेख में Human2Any का परिचय दिया गया है, जो प्रतिबंध-जागरूक संयोजी योजना का उपयोग करने वाला एक मानव से रोबोट स्थानांतरण विधि है। स्रोत में कोई अन्य विवरण या मुख्य पाठ प्रदान नहीं किया गया है।
शोधकर्ताओं ने ShareMMU प्रस्तुत किया, एक IOMMU डिज़ाइन जो कई अविश्वसनीय एक्सेलेरेटरों को साझा वirtual पता स्थान में पूर्व-अनुवादित पतों को सुरक्षित रूप से पुन: उपयोग करने की अनुमति देता है। यह दृष्टिकोण बड़े साझा अनुवाद लुकसाइड बफर (TLBs) से जुड़ी साइड-चैनल जोखिमों को कम करता है जबकि उच्च प्रदर्शन बनाए रखता है।
शोधकर्ताओं ने पैरेलल डिकोडिंग डिस्टिलेशन (PDD) का परिचय दिया, जो एक सरलीकृत ट्रेजेक्ट्री-आधारित विधि है जो डिफ्यूजन और फ्लो मैचिंग मॉडल्स में इनफरेंस को तेज़ करने के लिए बनाई गई है। वर्तमान दृष्टिकोणों के विपरीत जो ऑप्टिमाइज़ करने में कठिन वैरिएशनल स्कोर डिस्टिलेशन और एडवर्शियल लॉसेस पर निर्भर करते हैं, PDD नेटवर्क मूल्यांकन के दौरान कई डीनोइजिंग चरणों की भविष्यवाणी करता है।
नवीडिया शोधकर्ता एन. हॉरॉक्स स्थिरकारक सर्किट और स्टोकास्टिक पॉली त्रुटियों के साथ दोष-सहिष्णु क्वांटम प्रोग्रामों को संभालने के लिए डिज़ाइन किए गए विस्तृत डिटेक्टर त्रुटि मॉडल (EDEMs) पेश करते हैं। ये मॉडल त्रुटि विश्लेषण को क्रमिक और समानांतर में संयोजित करने की अनुमति देते हैं, जो भौतिक सर्किट कार्यान्वयन की संरचना को दर्शाते हैं।
शोधकर्ताओं ने Onyx का प्रस्ताव रखा है, जो disk-oblivious अनुमानित निकटतम पड़ोसी (ANN) खोज के लिए एक लागत-कुशल दृष्टिकोण है जो state-of-the-art ORAM-ANN सिस्टम के डिज़ाइन को उलटकर बैंडविड्थ और एक्सेस गिनती के बीच संतुलन बनाता है।
शोधकर्ताओं ने Privatar पेश किया, एक फ्रेमवर्क जो हेडसेट से अवतार पुनर्निर्माण को अविश्वासनीय स्थानीय उपकरणों पर ऑफलोड करता है जबकि डेटा इंटरसेप्शन के खिलाफ सुरक्षा प्रदान करता है। सिस्टम न्यूनतम प्रदर्शन लागत के साथ साबित करने योग्य गोपनीयता वाले ऑफलोडिंग को प्राप्त करने के लिए अवतार पुनर्निर्माण के डोमेन-विशिष्ट ज्ञान का लाभ उठाता है।
NVIDIA के शोधकर्ताओं ने GPIR पेश किया है, एक ऐसा सिस्टम जो लैटिस-आधारित प्रोटोकॉल में अंतर्निहित उच्च सर्वर-साइड कंप्यूटेशन और मेमोरी ट्रैफिक को संबोधित करके GPU पर निजी जानकारी प्राप्ति (PIR) को त्वरित करता है। सिस्टम एक चरण-जागरूक हाइब्रिड एक्जीक्यूशन मॉडल का उपयोग करता है जो ऑन-चिप डेटा पुन: उपयोग को अधिकतम करने के लिए ऑपरेशन-स्तर और चरण-स्तरीय kernels के बीच गतिशील रूप से स्विच करता है।
एक नया अध्ययन गोपनीयता-संरक्षित मशीन लर्निंग इनफरेंस के लिए सुरक्षित बहु-पार्टी कंप्यूटेशन (MPC) और पूर्ण होमोमॉर्फिक एन्क्रिप्शन (FHE) का एक एकीकृत सिस्टम-स्तर वर्गीकरण प्रस्तुत करता है। कार्य दो MPC प्रकारों — अंकगणितीय/बाइनरी शेयरिंग रूपांतरण और फंक्शन सीक्रेट शेयरिंग — का FHE के साथ कई CNN और Transformer मॉडल पर मूल्यांकन करता है।
NVIDIA शोधकर्ताओं द्वारा एक स्थिति पत्र ने AI एजेंट्स को अप्रत्यक्ष प्रॉम्प्ट इंजेक्शन हमलों से सुरक्षित करने की दृष्टि रेखांकित की है, जहां अविश्वसनीय डेटा में एम्बेडेड दुर्भावनापूर्ण निर्देश खतरनाक कार्यों को ट्रिगर करते हैं। लेखकों का तर्क है कि प्रभावी रक्षा के लिए मॉडल फिक्स से परे जाकर व्यापक सिस्टम-स्तरीय आर्किटेक्चर की आवश्यकता है।
शोधकर्ताओं ने इनफरेंस-टाइम डिनियल-ऑफ़-सर्विस (PI-DoS) हमलों को फॉर्मलाइज़ किया है जो Large Reasoning Models (LRMs) में एक्सप्लिसिट मल्टी-स्टेप तर्क के उच्च कंप्यूटेशनल कॉस्ट का शोषण करते हैं। वे ReasoningBomb प्रस्तुत करते हैं, एक रीइन्फोर्समेंट-लर्निंग-आधारित फ्रेमवर्क जो हमलावर को प्रशिक्षित करता है ताकि वह शिकार मॉडलों को पथोलॉजिकल रूप से लंबे और अक्सर नॉन-टर्मिनेटिंग तर्क ट्रेस में धकेलने वाले छोटे नेचुरल प्रॉम्प्ट्स उत्पन्न कर सके।
शोधकर्ताओं ने ReasAlign पेश किया है, जो एक मॉडल-स्तर का समाधान है जिसे Large Language Models (LLMs) में अप्रत्यक्ष प्रॉम्प्ट इंजेक्शन हमलों के खिलाफ सुरक्षा संरेखण को बेहतर बनाने के लिए डिज़ाइन किया गया है। इस दृष्टिकोण में उपयोगकर्ता क्वेरी का विश्लेषण करने और विरोधाभासी निर्देशों का पता लगाने के लिए संरचित तर्क चरण शामिल हैं, जिससे उपयोगकर्ता की इच्छित कार्यों की निरंतरता सुनिश्चित होती है।