A Review on Penetration Testing for Privacy of Deep Learning Models
0Citations signalées — pas une note de qualité
2Institutions déclarées
2Pays d’affiliation déclarés
Résumé fourni par la source
As deep learning (DL) models are increasingly deployed in sensitive domains (e.g., healthcare), concerns over privacy and security have intensified. Conventional penetration testing frameworks, such as OWASP and NIST, are eff... | Find, read and cite all the research you need on Tech Science Press
Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.
Contrôle bibliographique ouvert
DOI retrouvé dans Crossref DOI retrouvé ; titre concordant.
- Titre Crossref
- A Review on Penetration Testing for Privacy of Deep Learning Models
- Date Crossref
- 01/01/2026
- Éditeur
- Tech Science Press
- Type
- journal-article
Ce recoupement confirme des métadonnées liées au DOI. Il ne confirme ni la méthode ni les conclusions de l’étude et ne compte pas comme une seconde source scientifique indépendante.
Institutions déclarées
Une affiliation ne permet pas de déduire la nationalité d’un auteur.
Sujets associés
Adversarial Robustness in Machine LearningAdvanced Malware Detection TechniquesWeb Application Security Vulnerabilities