Provably Robust Multi-bit Watermarking for AI-generated Text. 34th USENIX Security Symposium (USENIX Security ’25), Aug 13–15, 2025.

 

Traçabilité des contenus IA — watermarking robuste (open access)

Qu, Wenjie; Zheng, Wengrui; Tao, Tianyang; Yin, Dong; Jiang, Yanze; Tian, Zhihua; Zou, Wei; Jia, Jinyuan; Zhang, Jiaheng. (2025). Provably Robust Multi-bit Watermarking for AI-generated Text. 34th USENIX Security Symposium (USENIX Security ’25), Aug 13–15, 2025. 

PDF gratuit : https://www.usenix.org/system/files/usenixsecurity25-qu-watermarking.pdf 

Contenu : Propose un tatouage multi-bits pour textes générés par IA avec garanties de robustesse face à des modifications adversariales — pertinent pour provenance, modération et conformité.

A Comprehensive Survey on Post-Quantum TLS. IACR Communications in Cryptology, 1(2). DOI: 10.62056/ahee0iuc.

 

Sécurité Internet — migration TLS vers la cryptographie post-quantique (survey)

Alnahawi, Nouri; Müller, Johannes; Oupický, Jan; Wiesmaier, Alexander. (2024). A Comprehensive Survey on Post-Quantum TLS. IACR Communications in Cryptology, 1(2). DOI: 10.62056/ahee0iuc.

 PDF gratuit : https://orbilu.uni.lu/bitstream/10993/61704/1/1-2-6.pdf 

Description (FR) : Une référence majeure sur les options PQC pour TLS (auth, key exchange, AKE), avec taxonomie et analyses de performance — crucial pour l’avenir du Web sécurisé.

Federated Learning for IoT: A Survey of Techniques, Challenges, and Applications.

 

IoT + IA distribuée — survey open access sur le Federated Learning

Dritsas, Elias; Trigka, Maria. (2025). Federated Learning for IoT: A Survey of Techniques, Challenges, and Applications. Journal of Sensor and Actuator Networks, 14(1), Article 9. DOI: 10.3390/jsan14010009. 

LIEN : https://www.mdpi.com/2224-2708/14/1/9

Description (FR) : Cartographie claire des techniques FL adaptées à l’IoT (hétérogénéité, bande passante, confidentialité), des défis et des cas d’usage concrets.

Performance Comparison of HTTP/3 and HTTP/2 with Proxy Integration. arXiv (version en HTML).

 

Protocoles web modernes — HTTP/3 (QUIC) vs HTTP/2 en contexte proxy

Liu, Fan; Farkiani, Behrooz; Dehart, John; Parwatikar, Jyoti; Crowley, Patrick. (2024). Performance Comparison of HTTP/3 and HTTP/2 with Proxy Integration. arXiv (version en HTML). 

LIEN : https://arxiv.org/html/2409.16267v3 

Description (FR) : Compare performances et comportements (pertes/latence/migration de connexion) de HTTP/3 vs HTTP/2 lorsqu’on introduit des proxies — utile pour comprendre l’Internet “réel” (CDN, mobiles, entreprises).

AutoWebGLM: A Large Language Model-based Web Navigating Agent. arXiv:2404.03648.

 

Agent web + benchmark bilingue — approche “web navigating” complète

Lai, Hanyu; Liu, Xiao; Iong, Iat Long; Yao, Shuntian; Chen, Yuxuan; Shen, Pengbo; Yu, Hao; Zhang, Hanchen; Zhang, Xiaohan; Dong, Yuxiao; Tang, Jie. (2024). AutoWebGLM: A Large Language Model-based Web Navigating Agent. arXiv:2404.03648.

LIEN :  https://arxiv.org/abs/2404.03648 

Description (FR) : Propose un agent de navigation web + méthode de simplification HTML + données d’entraînement “curriculum”, et introduit un benchmark bilingue pour tester la navigation réelle.

BrowserAgent: Building Web Agents with Human-Inspired Web Browsing Actions. arXiv:2510.10666.

 

Agents web (LLM) — navigation plus “humaine” dans le navigateur

Zhang, Zhengbo; Lyu, Zhiheng; Gong, Junhao; Yi, Hongzhu; Wang, Xinming; Zhou, Yuxuan; Yang, Jiabing; Nie, Ping; Huang, Yan; Chen, Wenhu. (2025). BrowserAgent: Building Web Agents with Human-Inspired Web Browsing Actions. arXiv:2510.10666. 

LIEN : https://arxiv.org/abs/2510.10666 

Description (FR) : Un agent web qui opère via des actions de navigateur (scroll/click/type) et une mémoire explicite, pour mieux résoudre des tâches de recherche d’information en environnement web dynamique.

RAGuard: A Layered Defense Framework for Retrieval-Augmented Generation Systems Against Data Poisoning. OpenReview (ResponsibleFM @ NeurIPS 2025).

 

Défense RAG contre l’empoisonnement — framework “layered”

Kolhe, Tanish; Kumar, Pushkal; Nielson, Tucker; Zala, Shubham; Li, Vincent; Saxon, Michael; Wu, Sean; Zhu, Kevin. (2025). RAGuard: A Layered Defense Framework for Retrieval-Augmented Generation Systems Against Data Poisoning. OpenReview (ResponsibleFM @ NeurIPS 2025).

LIEN :  https://openreview.net/forum?id=onh7sLJ1kl (PDF : https://openreview.net/pdf/f7bd605a521e7fe5a23b34a2ef51659d26264d62.pdf) 

Description (FR) : Propose une défense à deux étages (durcissement du retriever + filtre “zero-knowledge”) pour réduire l’Attack Success Rate tout en gardant une bonne qualité de retrieval.

Poisoning Attacks on Retrieval-Augmented Generation in Large Language Models. arXiv (cs.CR), arXiv:2505.19864.

 

Attaques sur RAG — empoisonnement “covert” (menace réaliste)

Li, Chunyang; Zhang, Junwei; Cheng, Anda; Ma, Zhuo; Li, Xinghua; Ma, Jianfeng. (2025). CPA-RAG: Covert Poisoning Attacks on Retrieval-Augmented Generation in Large Language Models. arXiv (cs.CR), arXiv:2505.19864. 

LIEN : https://arxiv.org/pdf/2505.19864

Description (FR) : Montre comment des contenus empoisonnés peuvent manipuler la récupération et forcer des réponses-cibles, avec démonstrations sur plusieurs jeux de données et systèmes.

A Survey on Knowledge-Oriented Retrieval-Augmented Generation. arXiv (cs.CL), arXiv:2503.10677.

 

RAG orienté “connaissances” — taxonomie + évaluation

Cheng, Mingyue; Luo, Yucong; Ouyang, Jie; Liu, Qi; Liu, Huijie; Li, Li; Yu, Shuo; Zhang, Bohou; Cao, Jiawei; Ma, Jie; Wang, Daoyu; Chen, Enhong. (2025). A Survey on Knowledge-Oriented Retrieval-Augmented Generation. arXiv (cs.CL), arXiv:2503.10677. 

LIEN  :  https://arxiv.org/abs/2503.10677 

Description (FR) : Un état de l’art axé sur l’intégration de sources de connaissance (documents, bases, données structurées), les benchmarks et les limites d’alignement retrieval↔generation.

Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers. arXiv (cs.IR), arXiv:2506.00054.

 

RAG (LLM + recherche web / bases documentaires) — grand panorama

Sharma, Chaitanya. (2025). Retrieval-Augmented Generation: A Comprehensive Survey of Architectures, Enhancements, and Robustness Frontiers. arXiv (cs.IR), arXiv:2506.00054. 

LIEN : https://arxiv.org/abs/2506.00054 

Description (FR) : Une synthèse structurée des architectures RAG, des optimisations (retrieval, filtrage, décodage) et des enjeux de robustesse face au bruit et aux attaques.

Moltbook : le seul réseau social 100% IA, vraiment ? • FRANCE 24

L’Utah va limiter l’accès des jeunes aux réseaux sociaux

C-18 : Google va retirer les liens des médias canadiens

Cybercriminalité, des attaques bien réelles | ARTE

This Video Has 63,580,596 Views

Harvard CS50 – Full Computer Science University Course

Plainte des consommateurs européens contre Google

CS50 Lecture by Mark Zuckerberg - 7 December 2005

The Dark Net isn't what you think. It's actually key to our privacy | Al...

The hidden network that makes the internet possible - Sajan Saini