TMLR

Learning to Localize Leakage of Cryptographic Sensitive Variables

学习定位加密敏感变量的泄漏

Jimmy Gammell, Anand Raghunathan, Abolfazl Hashemi, Kaushik Roy

机构 * Elmore Family School of Electrical and Computer Engineering, Purdue University（埃尔莫尔电气与计算机工程学院，普渡大学） 纠错

AI总结 本文提出一种深度学习框架，通过分析不同时间点的测量数据，定位加密泄漏源，以指导防御措施。

Comments Accepted to TMLR (Transactions on Machine Learning Research), 2026. Camera-ready version. 65 pages, 21 figures. Code available at https://github.com/jimgammell/learning_to_localize_leakage

Multiway Multislice PHATE: Visualizing Hidden Dynamics of RNNs through Training

多维多切片PHATE：通过训练可视化RNN的隐藏动态

Jiancheng Xie, Lou C. Kohler Voinov, Noga Mudrik, Gal Mishne, Adam Charles

机构 * Boston University（波士顿大学） ； Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院） ； Johns Hopkins University（约翰霍普金斯大学） ； University of California San Diego（加州大学圣地亚哥分校） 纠错

AI总结 MM-PHATE通过多维分析RNN隐藏状态演变，揭示训练过程中表示几何变化，提供直观方法理解RNN架构与性能关系。

Comments Accepted at TMLR 2026. This version includes additional experiments on bifurcation and warp perturbations, revised figures, and expanded quantitative analysis. Published version: https://openreview.net/forum?id=9Yr4V7iZsq

Journal ref Transactions on Machine Learning Research (TMLR), 2026