APTS
PulseAugur coverage of APTS — every cluster mentioning APTS across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
StratFL 应对联邦学习中的隐蔽模型投毒攻击
研究人员开发了 StratFL，这是一种新颖的联邦学习策略，旨在对抗隐蔽的模型投毒攻击。这些攻击通常由高级持续性威胁使用，涉及间歇性地注入恶意模型更新。StratFL 为服务器和攻击者都使用了对抗性搜索算法和信念更新机制，将它们的交互建模为一个不完美的重复博弈。在 MNIST 和 CIFAR-10 数据集上的实验表明，StratFL 的准确率比现有方法提高了 10%。
-
新的基准测试评估LLM代理在不同遥测设置下的APT调查能力
研究人员开发了APTInvestBench，这是一个新的基准测试，旨在评估大型语言模型（LLM）代理在不同遥测设置下调查高级持续性威胁（APT）的鲁棒性。该基准测试包含370个案例，源自56次攻击重建，总计超过1600万条日志记录。对十一个LLM进行的初步测试表明，代理能够为平均44.3%的攻击行为获取足够证据，但正式引用仅支持25.0%，这凸显了证据可靠性和跨遥测稳定性方面存在的显著差距。
-
新的APTS方法通过探查中间推理来提高LLM解决方案的多样性
研究人员开发了一种名为答案探针引导树搜索（APTS）的新方法，以鼓励大型语言模型（LLM）生成更多样化的解决方案。传统方法由于依赖可能被语言相似性误导的语义嵌入，难以区分真正不同的解决方案路径。APTS通过探查LLM从中间推理步骤中获取潜在答案来解决这个问题。发现这些探查答案的隐藏状态在区分独特的解决方案路径方面更有效，其困惑度可作为推理正确性的代理。在两个LLM的推理任务上进行的实验表明，APTS能够持续提高解决方案的多样性和鲁棒性。
-
DeepFaith框架改进了APT防御中LLM的事件报告
研究人员开发了DeepFaith，一个旨在提高大型语言模型（LLMs）在高级持续性威胁（APTs）背景下生成的事件报告忠实度的创新框架。该系统将LLM生成的报告与来自防御系统的具体证据联系起来，确保陈述得到支持并减少幻觉。实验表明，DeepFaith显著提高了报告的忠实度，减少了无根据的声明，并增加了安全运营中心的报告的时间一致性。
-
新的NAPTS方法将神经网络训练时间缩短了30%
研究人员开发了一种名为非单调预条件信任域策略（NAPTS）的新优化方法，专门用于训练深度神经网络。该方法通过使用域分解和全局信任域机制来增强并行训练。据报道，与APTS等先前方法相比，NAPTS将训练时间缩短了30%，并显著减少了被拒绝的步骤。