Discovered by FutureSearch researcher Callum McMahon, a supply chain attack against LiteLLM on PyPI resulted in over 40 thousand downloads of a compromised version that installed a malicious...

Since I started studying security in web applications, it seems that everyone always says to never store sensitive information (e.g., refresh tokens, access tokens, and so on) due to the risk of...

SIGIR 2025 papers by Bloomberg's AI engineers present contributions aimed at making information retrieval systems more robust, effective, and efficient in the age of generative AI The post...

本研究提出了新基准MontageLie，揭示了现有信息对齐评估方法的不足。通过拼接真实陈述构建误导性叙事，暴露了评估框架的脆弱性。同时，提出了DoveScore框架，联合验证事实准确性和事件顺序一致性，以提升长格式文本对齐评估的鲁棒性。

本研究提出拉普拉斯样本信息（LSI），通过贝叶斯视角准确估计数据集中个体样本的信息量。LSI结合信息理论和KL散度方法，有效识别数据典型性、检测标签错误及评估数据集难度，从而提升样本选择效率和模型准确性，适用于图像和文本数据训练任务。

该研究提出了一种两阶段框架，解决科学论文摘要中结构信息不足的问题。通过自动识别标准化章节标题，并利用Longformer生成上下文感知摘要，实验结果表明该方法优于现有基线。

MISP 2025挑战聚焦于复杂声学条件下的会议转录，提出音视频说话者分离与识别任务。参与者通过结合音频和视频模态，显著提升了系统准确率，展示了多模态信息在语音处理中的潜力。

本研究提出了深度学习框架SDLog，旨在提高软件日志中敏感信息的检测效率。SDLog在仅使用100个样本的情况下，成功识别了99.5%的敏感属性，F1分数达到98.4%，为日志匿名化提供了创新的解决方案。

本研究提出了一种名为SemanticRegen的方法，旨在有效去除隐形语义水印，同时保持图像的表面意义。实验结果表明，该方法在四种水印系统中优于现有技术，强调了水印防御与自适应对手之间的差距，呼吁开发更强抗性的水印算法。

本研究分析了网站信息安全的发展历程、现状及未来趋势，指出数字时代面临的关键问题，并强调通过持续研究与创新应对网络威胁以保护敏感信息。

本研究探讨了大型语言模型在零-shot信息检索中的任务算术，提出通过数学运算结合模型权重来解决未见任务和领域中的性能下降问题。实验结果显示，该方法在NDCG@10和P@10上的再排序性能分别提升了18%和15%。

本研究提出LZ惩罚，旨在解决自回归语言模型中的重复问题。该方法基于LZ77无损压缩算法，通过预测-压缩对偶性，降低重复率而不损失模型能力。

本研究提出ExOSITO方法，旨在解决重症监护室患者实验室检查过度订购的问题。该方法结合离线政策学习与临床信息，优化检查订单，降低成本，同时确保不遗漏必要检查，优于传统医生政策。

本研究提出了一种新的自监督目标——互信息非对比损失（MINC），旨在解决自监督表征学习中的高方差和大批量需求问题。实验结果表明，MINC在图像表征学习中优于传统对比损失，具有更强的泛化能力和转移性。

本研究提出了“香农不变量”框架，以解决分布式系统中信息处理的复杂性，特别是多变量度量的定义与可扩展性问题。该框架有效捕捉高阶信息处理特性，并揭示深度学习架构在训练过程中的信息处理特征。

本研究提出了一种上下文增强层（CaLE）的方法，旨在提高大型语言模型在生成时的上下文一致性，特别是在问答任务中对未知或冲突信息的处理能力。