Pesquisadores apresentam o Mid-Harness, um método que amostra e verifica ações candidatas na fronteira entre o modelo e o harness para melhorar a confiabilidade da execução em agentes de terminal. Esta abordagem aloca computação em tempo de teste verificando múltiplas opções antes de encaminhar uma para execução, mantendo o gerador e o harness inalterados.
O artigo apresenta o Human2Any, um método para transferência de humano para robô que utiliza planejamento composicional com consciência de restrições. Nenhum detalhe adicional ou corpo de texto é fornecido na fonte.
Pesquisadores apresentam o ShareMMU, um design de IOMMU que permite que múltiplos aceleradores não confiáveis reutilizem com segurança endereços previamente traduzidos dentro de um espaço de endereço virtual compartilhado. Esta abordagem mitiga riscos de canais laterais associados a grandes Buffers de Tradução Compartilhada (TLBs) enquanto mantém alto desempenho.
Pesquisadores introduzem a Destilação de Decodificação Paralela (PDD), um método simplificado baseado em trajetória para acelerar a inferência em modelos de difusão e correspondência de fluxo. Ao contrário das abordagens atuais que dependem de destilação variacional de pontuação difícil de otimizar e perdas adversariais, o PDD prevê múltiplos passos de desruído por avaliação da rede.
O pesquisador da Nvidia N. Horrocks apresenta os modelos estendidos de erro de detector (EDEMs) projetados para lidar com programas quânticos tolerantes a falhas com circuitos estabilizadores e erros de Pauli estocásticos. Esses modelos permitem que a análise de erros seja composta em sequência e paralelo, espelhando a estrutura das realizações físicas do circuito.
Pesquisadores propõem o Onyx, uma abordagem eficiente em custos para busca de vizinhos mais próximos aproximados (ANN) disk-oblivious que equilibra largura de banda e contagem de acessos invertendo o design dos sistemas ORAM-ANN de última geração.
Pesquisadores apresentam o Privatar, um framework que descarrega a reconstrução de avatares de headsets para dispositivos locais não confiáveis, enquanto se protege contra interceptação de dados. O sistema aproveita o conhecimento específico do domínio da reconstrução de avatares para alcançar um descarregamento comprovadamente privado com custo mínimo de desempenho.
Pesquisadores da NVIDIA apresentaram o GPIR, um sistema que acelera a Recuperação Privada de Informação (PIR) em GPUs ao abordar a alta computação e o tráfego de memória no lado do servidor inerentes aos protocolos baseados em reticulados. O sistema emprega um modelo de execução híbrido consciente das etapas que alterna dinamicamente entre kernels em nível de operação e em nível de etapa para maximizar a reutilização de dados no chip.
Um novo estudo apresenta uma caracterização unificada em nível de sistema da computação multipartidária segura (MPC) e criptografia totalmente homomórfica (FHE) para inferência de aprendizado de máquina que preserva a privacidade. O trabalho avalia duas variantes de MPC — conversão de compartilhamento aritmético/binário e compartilhamento secreto de funções — junto com FHE em múltiplos modelos CNN e Transformer.
Um documento de posição de pesquisadores da NVIDIA descreve uma visão para proteger agentes de IA contra ataques de injeção indireta de prompts, onde instruções maliciosas embutidas em dados não confiáveis desencadeiam ações perigosas. Os autores argumentam que a defesa eficaz requer ir além de correções isoladas do modelo para arquiteturas abrangentes em nível de sistema.
Pesquisadores formalizaram ataques de negação de serviço no tempo de inferência (PI-DoS) que exploram o alto custo computacional do raciocínio explícito em múltiplos passos em Grandes Modelos de Raciocínio (LRMs). Eles apresentam o ReasoningBomb, um framework baseado em aprendizado por reforço que treina um atacante para gerar prompts naturais curtos que levam os modelos vítimas a traços de raciocínio patologicamente longos e frequentemente não terminantes.
Pesquisadores introduziram o ReasAlign, uma solução em nível de modelo projetada para melhorar o alinhamento de segurança em Grandes Modelos de Linguagem (LLMs) contra ataques de injeção indireta de prompt. A abordagem incorpora etapas de raciocínio estruturado para analisar consultas do usuário e detectar instruções conflitantes, garantindo a continuidade das tarefas pretendidas pelo usuário.