هوش گیتهوش گیترسانه، شبکه و یادگیری AI
/ ⌘K
ورود
/ ⌘K
خانهشبکهیادگیریپروژه‌ها
هوش گیتهوش گیترسانه، شبکه و یادگیری AI
صفحه اصلیشبکهاخبارپژوهشابزارهایادگیریفضاها
/ ⌘K
ورود

دسترسی سریع

دسترسی سریع تحریریه

خبرها، موضوعات، حساب کاربری و تنظیمات مطالعه همیشه در سمت راست در دسترس‌اند.

حساب کاربری

ورود سریع به حساب و ابزارهای شخصی‌سازی

ورود

با حساب کاربری، اعلان‌ها، ذخیره‌سازی خبرها و سطح مطالعه شخصی را فعال می‌کنید.

صفحه اصلیشبکهاخبارپژوهشابزارهایادگیریفضاهاچهره‌های تخصصیسیاست‌گذاریامنیترویدادهافرصت‌های شغلیسرگرمیپروژه‌هاموضوعات
مرور موضوعات
همه
تم
درباره ماحریم خصوصیتماس با ما

مالکیت و پشتیبانی

شبکه هوشمند ابتکار ویستا

هوش‌گیت به‌عنوان رسانه و لایه دانشی این شرکت، با تمرکز بر خبر، یادگیری، همکاری حرفه‌ای و محصول‌های هوش مصنوعی توسعه داده می‌شود. تمامی حقوق مالکیت و کپی‌رایت این وب‌سایت متعلق به شبکه هوشمند ابتکار ویستا است.

این شرکت به‌صورت تخصصی در حوزه هوش مصنوعی، ساخت پلتفرم‌های AI، سامانه‌های مبتنی بر LLM، تحلیل داده، طراحی تجربه دانشی و توسعه زیرساخت‌های حرفه‌ای برای تیم‌های سازمانی فعالیت می‌کند.

مالکیت: شبکه هوشمند ابتکار ویستامدیرعامل: مسعود بخشی۰۹۱۲۴۷۳۳۲۳۴Devcodebase.dev@gmail.comHooshgate@gmail.comDevcodebase.com
v0.1.0 · dev · unset/api/version
آخرین خبرهاآموزشپریمیومدرباره ماتماس با ماحریم خصوصیقوانین استفادهکوکی‌هاسیاست تحریریه
خانهشبکهیادگیریپروژه‌هاپروفایل
  1. خانه
  2. /
  3. اخبار
  4. /
  5. خودکارسازی امنیت ابری و پزشکی قانونی از طریق چارچوب هوش مصنوعی مولد Secure-by-Design
arXiv (cs.DC)معتبر1405/01/18 04:00آموزش و یادگیری

خودکارسازی امنیت ابری و پزشکی قانونی از طریق چارچوب هوش مصنوعی مولد Secure-by-Design

ارائه می‌دهد. arXiv:. 2604.03912 [cs.CR] (یا arXiv:.

منبع: arXiv (cs.DC)

آموزش و یادگیریسیاست‌گذاری و حاکمیتایمنی و اخلاق
نسخه مطالعهعمومی
منبعarXiv (cs.DC)
انتشار1405/01/18 04:00
سطح مطالعه
اشتراک در تلگرام
خودکارسازی امنیت ابری و پزشکی قانونی از طریق چارچوب هوش مصنوعی مولد Secure-by-Design

راهنمای مطالعه

منبع اصلی، تاریخ فارسی و شاخص‌های سریع این خبر.

رفتن به منبع
تاریخ فارسی1405/01/18 04:00
داستانمستقل

نکات کلیدی

این باکس براساس سطح مطالعه شما (عمومی) تنظیم شده است.

  • (تجربی) .
  • با پیچیده تر شدن محیط های ابری،.
  • امنیت سایبری و تحقیقات پزشکی قانونی باید برای مقابله با تهدیدات در حال ظهور تکامل یابد.
  • مدل های زبان بزرگ (LLM) در خودکارسازی تجزیه و تحلیل گزارش ها و وظایف استدلالی امیدوارکننده ای نشان داده اند،.
  • با این حال در برابر حملات تزریق سریع آسیب پذیر هستند و سخت گیری قانونی ندارند.
  • برای مقابله با این چالش های دوگانه،.
  • ما یک چارچوب GenAI یکپارچه و ایمن را پیشنهاد می کنیم که PromptShield و چارچوب اتوماسیون تحقیقات ابری (CIAF).
  • را ادغام می کند.

فهرست مطالب

  1. TL;DR
  2. چه اتفاقی افتاد
  3. چرا مهم است
  4. منبع

سیگنال تعامل

بازدید۰
کلیک۰
امتیاز0.00
دیدگاه۰

TL;DR

  • مشاهده PDF HTML (تجربی) چکیده:.
  • با پیچیده تر شدن محیط های ابری،.
  • امنیت سایبری و تحقیقات پزشکی قانونی باید برای مقابله با تهدیدات در حال ظهور تکامل یابد.

چه اتفاقی افتاد

مشاهده PDF HTML (تجربی) چکیده:. با پیچیده تر شدن محیط های ابری،.

امنیت سایبری و تحقیقات پزشکی قانونی باید برای مقابله با تهدیدات در حال ظهور تکامل یابد. مدل‌های زبان بزرگ (LLM) در خودکارسازی تجزیه و تحلیل گزارش‌ها و وظایف استدلالی امیدوارکننده‌ای نشان داده‌اند،.

با این حال در برابر حملات تزریق سریع آسیب‌پذیر هستند و سخت‌گیری قانونی ندارند. برای مقابله با این چالش‌های دوگانه،.

ما یک چارچوب GenAI یکپارچه و ایمن را پیشنهاد می‌کنیم که PromptShield و چارچوب اتوماسیون تحقیقات ابری (CIAF). را ادغام می‌کند.

PromptShield با استفاده از اعتبارسنجی مبتنی بر هستی شناسی که ورودی های کاربر را استاندارد می کند و. دستکاری را کاهش می دهد،.

فعالانه از LLM ها در برابر درخواست های متخاصم دفاع می کند. CIAF تحقیقات قانونی ابری را از طریق استدلال ساختارمند و مبتنی بر هستی شناسی در تمام شش مرحله.

فرآیند پزشکی قانونی ساده می کند. ما سیستم خود را بر اساس مجموعه داده های دنیای واقعی از AWS و Microsoft Azure ارزیابی می.

کنیم،. نشان دادن پیشرفت های قابل توجهی در امنیت LLM و دقت پزشکی قانونی.

نتایج تجربی نشان می‌دهد که PromptShield عملکرد طبقه‌بندی را در شرایط حمله افزایش می‌دهد و به امتیازات دقت،. فراخوانی و F1 بالاتر از 93 درصد دست می‌یابد،.

در حالی که CIAF با استفاده از ویژگی‌های عملکرد تغییر یافته توسط لیکرت،. دقت تشخیص باج‌افزار را در گزارش‌های ابری افزایش می‌دهد.

چارچوب یکپارچه ما اتوماسیون،. تفسیرپذیری و قابل اعتماد بودن پزشکی قانونی ابری و سیستم‌های مبتنی بر LLM را ارتقا می‌دهد،.

و پایه‌ای مقیاس‌پذیر برای پاسخ‌گویی به حادثه مبتنی بر هوش مصنوعی در زمان واقعی در زیرساخت‌های ابری متنوع. ارائه می‌دهد.

نظرات:. توجه مدیر arXiv:.

همپوشانی متن قابل توجهی با arXiv:. 2510.00452 موضوعات:.

رمزنگاری و امنیت (cs.CR)؛ هوش مصنوعی (cs.AI)؛

محاسبات توزیع شده،. موازی و خوشه ای (cs.DC)؛

یادگیری ماشینی (cs.LG) استناد به عنوان:. arXiv:.

2604.03912 [cs.CR] (یا arXiv:. 2604.03912v1 [cs.CR] برای این نسخه) https:.

//doi.org/10.48550/arXiv.2604.03912 DOI صادر شده توسط arXiv از طریق DataCite (در انتظار ثبت نام) تاریخچه ارسال از:. Dalal Alharthi Dr.

[مشاهده ایمیل] [v1] یکشنبه، 5 آوریل 2026، 00:41:09 UTC (1,410 KB).

چرا مهم است

اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیم‌گیری سازمانی اثر می‌گذارد.

منبع

لینک منبع اصلی در کارت و صفحه مقاله نمایش داده می‌شود.

تعامل کاربران و کیفیت خبر

امتیاز بدهید، نظر ثبت کنید یا اگر خطایی دیدید گزارش اصلاح بفرستید.

بازدید

۰

کلیک روی خبر

۰

امتیاز میانگین

0.00 / 5

دیدگاه تایید شده

۰

امتیاز شما به خبر

هنوز امتیاز نداده‌اید.

واکنش سریع به خبر

به‌جای لایک کلی، نوع برداشت خودتان را مشخص کنید.

ثبت دیدگاه

گزارش اصلاح یا بهبود

آخرین دیدگاه‌ها

هنوز دیدگاهی ثبت نشده است.

مقایسه سه سطح مطالعه

برای همین خبر، نسخه ساده، عمومی و تخصصی کنار هم خلاصه شده‌اند.

ساده

۲٬۳۲۱ کاراکتر

قانونی ندارند. قانونی. arXiv:.

  • (تجربی) .
  • با پیچیده تر شدن محیط های ابری،.
  • امنیت سایبری و تحقیقات پزشکی قانونی باید برای مقابله با تهدیدات در.
  • حال ظهور تکامل یابد.

عمومی

۲٬۳۳۲ کاراکتر

ارائه می‌دهد. arXiv:. 2604.03912 [cs.CR] (یا arXiv:.

  • (تجربی) .
  • با پیچیده تر شدن محیط های ابری،.
  • امنیت سایبری و تحقیقات پزشکی قانونی باید برای مقابله با تهدیدات در حال ظهور تکامل یابد.
  • مدل های زبان بزرگ (LLM) در خودکارسازی تجزیه و تحلیل گزارش ها و وظایف استدلالی امیدوارکننده ای نشان داده اند،.

تخصصی

۲٬۵۱۱ کاراکتر

نشان دادن پیشرفت های قابل توجهی در امنیت LLM و دقت پزشکی قانونی. arXiv:. 2604.03912 [cs.CR] (یا arXiv:.

  • (تجربی) با پیچیده تر شدن محیط های ابری، امنیت سایبری و تحقیقات پزشکی قانونی باید برای مقابله با تهدیدات در...
  • مدل های زبان بزرگ (LLM) در خودکارسازی تجزیه و تحلیل گزارش ها و وظایف استدلالی امیدوارکننده ای نشان داده اند،.
  • با این حال در برابر حملات تزریق سریع آسیب پذیر هستند و سخت گیری قانونی ندارند.
  • برای مقابله با این چالش های دوگانه، ما یک چارچوب GenAI یکپارچه و ایمن را پیشنهاد می کنیم که PromptShield و...

هایلایت‌ها و یادداشت‌ها

متن دلخواه را در خبر انتخاب کنید و با یک کلیک هایلایت بزنید. فقط برای شما قابل مشاهده است.

برای استفاده از هایلایت و یادداشت، وارد حساب کاربری شوید.

منابع اولیه

لینک‌های اصلی این خبر، شامل منبع اصلی و ارجاع‌های claim panel.

  • https://arxiv.org/abs/2604.03912v1
  • https://arxiv.org/list/cs.DC/recent

پست‌های مرتبط نبض هوش

چهره‌های تخصصی Hooshgate این خبر را از زاویه نقش و تخصص خودشان تحلیل کرده‌اند.

رفتن به شبکه

هنوز پست تخصصی برای این خبر منتشر نشده است.

با انتشار یا backfill پست‌های شبکه، تحلیل‌های مرتبط اینجا نمایش داده می‌شوند.

خبرهای مرتبط

خبرهای نزدیک به همین موضوع برای ادامه مطالعه.

رویدادهای آیندهNIST AIهوش مصنوعی متا EUPE را منتشر کرد: خانواده رمزگذار دید فشرده با پارامترهای 100 میلیونی که با مدل‌های تخصصی در درک تصویر، پیش‌بینی متراکم و وظایف VLM رقابت می‌کند.MarkTechPostوقتی سینک ها کمک می کنند یا آسیب می رسانند: چارچوب یکپارچه برای کاهش توجه در مدل های بزرگ بینایی-زبانarXiv (cs.CV)بازسازی تصویر سری زمانی مبتنی بر Vision Transformer برای برنامه‌های پرکننده ابرarXiv (eess.IV)

بعدش چی بخونم؟

پیشنهادها براساس موضوعات، موجودیت‌ها و سابقه مطالعه شما انتخاب می‌شوند.

وقتی پاداش‌های تطبیقی ​​صدمه می‌زنند: بررسی علّی و معضل تغییر-پایداری در برنامه‌ریزی ماهواره‌ای LEO با هدایت LLMarXiv (cs.AI)وزن های پاداش تقریباً ثابت (342.1 مگابیت در ثانیه) از وزن های دینامیکی که با دقت تنظیم شده اند (103.3+/-96.8 مگابیت. در ثانیه) به...رویدادهای آیندهNIST AI7 آوریل 2026،. 13 آوریل - سه،. (2023) و Technische هوش مصنوعی برای علم مواد (AIMS) 2026 سه شنبه،.هوش مصنوعی متا EUPE را منتشر کرد: خانواده رمزگذار دید فشرده با پارامترهای 100 میلیونی که با مدل‌های تخصصی در درک تصویر، پیش‌بینی متراکم و وظایف VLM رقابت می‌کند.MarkTechPostRADIOv2.5-B،. نوع مقیاس ViT-B،. EUPE-ViT-B انسجام معنایی،.وقتی سینک ها کمک می کنند یا آسیب می رسانند: چارچوب یکپارچه برای کاهش توجه در مدل های بزرگ بینایی-زبانarXiv (cs.CV)سینک های ViT-emerged (V-sinks)،. arXiv:. 2604.03316 [cs.CV] (یا arXiv:.بازسازی تصویر سری زمانی مبتنی بر Vision Transformer برای برنامه‌های پرکننده ابرarXiv (eess.IV)بازسازی تصویر MSI سری زمانی با استفاده از Vision Transformer (ViT)،. غیرسری زمانی یا MSI سری زمانی بدون SAR استفاده می کنند،. 250...
دسته‌های مرتبط:خبرپژوهشیادگیریامنیت
برچسب‌ها:InfrastructureNLPLLM
فهرست خبرها