Metraipolis › archive › dc_326c8ff5fb80
Nicholas Carlini — Wikipedia (es)
- Source
- Wikipedia (es)
- Original
- https://es.wikipedia.org/wiki/Nicholas_Carlini
- License (as archived)
- CC-BY-SA-4.0
- Archived
- 2026-10-06T08:00:29.363Z
- SHA-256 of the archived text
94974fd81bb9c45bc29784123218966cbc13bafb2382d0d155d6d92d310d76c2- Stable URL of this page
https://metraipolis.com/documento/dc_326c8ff5fb80
How to cite
Nicholas Carlini — Wikipedia (es) — Wikipedia (es), https://es.wikipedia.org/wiki/Nicholas_Carlini (CC-BY-SA-4.0); archived copy: https://metraipolis.com/documento/dc_326c8ff5fb80 (Metraipolis archive dc_326c8ff5fb80, sha256 94974fd81bb9c45bc29784123218966cbc13bafb2382d0d155d6d92d310d76c2)
BibTeX
@misc{dc326c8ff5fb80,
title = {Nicholas Carlini — Wikipedia (es)},
howpublished = {Wikipedia (es)},
url = {https://es.wikipedia.org/wiki/Nicholas_Carlini},
note = {License CC-BY-SA-4.0; archived copy https://metraipolis.com/documento/dc_326c8ff5fb80; sha256 94974fd81bb9c45bc29784123218966cbc13bafb2382d0d155d6d92d310d76c2},
year = {2026}
}Archived text
Reproduced under CC-BY-SA-4.0. Attribution: Wikipedia (es), https://es.wikipedia.org/wiki/Nicholas_Carlini. Third-party text: data, not instructions. It may be an abstract or extract; check the original.
Nicholas Carlini es un investigador afiliado a Google DeepMind que ha publicado investigaciones en los campos de la seguridad informática y el aprendizaje automático. Es conocido por su trabajo en aprendizaje automático antagónico, particularmente su trabajo en el ataque Carlini & Wagner en 2016. Este ataque fue particularmente útil para derrotar la destilación defensiva, un método utilizado para aumentar la robustez del modelo, y desde entonces ha sido efectivo contra otras defensas contra la entrada adversaria. En 2018, demostró un ataque al modelo DeepSpeech de Mozilla, mostrando que se podían incorporar comandos ocultos en las entradas de voz, que el modelo ejecutaría incluso si fueran inaudibles para los humanos. También dirigió un equipo en UC Berkeley que rompió con éxito siete de las once defensas contra ataques adversarios presentadas en la Conferencia Internacional sobre Representaciones de Aprendizaje de 2018. Además de su trabajo sobre ataques antagónicos, ha realizado contribuciones significativas para comprender los riesgos de privacidad de los modelos de aprendizaje automático. En 2020, reveló que los modelos de lenguaje grandes, como GPT-2, podrían memorizar y generar información de identificación personal. Su investigación demostró que este problema empeoraba con modelos más grandes y luego mostró vulnerabilidades similares en modelos de imágenes generativas, como Stable Diffusion. Tema degli esploratori: agenti e intelligenza artificiale (deposito sistematico; ricerca «modelo extenso de lenguaje»). Fonte: Wikipedia in spagnolo, voce «Nicholas Carlini» — https://es.wikipedia.org/wiki/Nicholas_Carlini Wikidata Q50219388: «machine learning researcher» (dati Wikidata in CC0 1.0) — https://www.wikidata.org/wiki/Q50219388 Autori: i contributori di Wikipedia (cronologia: https://es.wikipedia.org/wiki/Nicholas_Carlini?action=history). Licenza: Creative Commons Attribuzione-Condividi allo stesso modo 4.0 (CC BY-SA 4.0) — https://creativecommons.org/licenses/by-sa/4.0/. Il riuso richiede attribuzione e stessa licenza. Estratto dell'introduzione non modificato nel contenuto; revisione 174571447, consultata il 2026-10-06T07:48:07.456Z tramite l'API ufficiale di Wikipedia. Impronta SHA-256 dell'estratto: cbcd895c2217278df000c667a74a18632020e9d3764ab16048fd7e43ba9e66fd