Neuste Artikel für Datenschutz

Wege finden, um den Datenaustausch zu verbessern und gleichzeitig die Privatsphäre der Nutzer zu schützen.

Untersuchung von Methoden zur differenziellen Privatsphäre für sichere Datenanalysen.

In diesem Artikel geht's um ein Konzept, wie man Privatsphäre in Szenarien mit mehreren Analysten managen kann.

Wie fortschrittliche Sprachtools die Analyse von Datenschutzrichtlinien revolutionieren.

FedGKD verbessert das föderierte Lernen für Graphen-Neuronale-Netzwerke, indem es die Merkmalsextraktion für Aufgaben optimiert.

Erfahre mehr über die Risiken der Nutzung von Plugins auf LLM-Plattformen.

Akustische Angriffe bedrohen die Datensicherheit, indem sie durch das Aufnehmen von Tastaturgeräuschen Informationen sammeln.

Ein Protokoll für datenschutzfreundliche Linkvorhersage in verteilten Graphen vorstellen.

Untersuchen, wie Angreifer grosse Sprachmodelle für Wissensabzug ausnutzen.

Eine neue Methode schützt sensible Daten während des Trainings von Machine Learning.

DFedADMM und DFedADMM-SAM verbessern das Modelltraining und sorgen gleichzeitig für Datenschutz.

Fed-LSAE steigert die Sicherheit im föderierten Lernen und wehrt Vergiftungsangriffe ab.

Ein neues Toolset für sichere Datenanalyse, ohne die Privatsphäre der Nutzer zu gefährden.

NOMA bringt einzigartige Sicherheitsrisiken mit sich, weil mehrere Nutzer sich gemeinsame Kanäle teilen.

Diese Studie untersucht sichere Kommunikationsmethoden im IIoT mit NOMA-Techniken.

Wissen-Sanitierung hilft, sensible Informationen in Sprachmodellen zu schützen.

Studie untersucht benutzerfreundliche Aspekte beliebter Differential Privacy-Tools.

Ein Blick auf Edge ML und seine Rolle bei der Erkennung menschlicher Aktivitäten.

Die Rolle von KI bei der Transformation des Netzwerkmanagements für fortschrittliche drahtlose Technologien.

Eine neue Methode verbessert Federated Learning, indem sie mit Störungen und Unterschieden zwischen Geräten umgeht.

Ein neues Protokoll sorgt für Privatsphäre bei Berechnungen mit SN P-Systemen.

Hier ist PFL-GAN: eine massgeschneiderte Lösung für die Variabilität von Kunden im föderierten Lernen.

Ein neuer Ansatz verbessert das föderierte Lernen für unterschiedliche Kundendaten.

Ein Blick auf maschinelles Vergessen, um generative Modelle und deren Ausgaben zu verbessern.

Eine neue Methode verbessert die Modellgenauigkeit durch föderiertes Lernen und Kernelregression.

Differential Privacy schützt persönliche Daten während der Analyse und sorgt dafür, dass die Privatsphäre von Einzelpersonen gewahrt bleibt.

Ein Blick auf Federated Deep Equilibrium Learning und seinen Einfluss auf KI.

SANGEA bietet einen skalierbaren Ansatz, um hochwertige synthetische Graphen zu erstellen.

Ein Leitfaden für kollaboratives verteiltes maschinelles Lernen bei gleichzeitiger Wahrung der Datensicherheit.

Ein neuer Ansatz für sicheres Teilen von Daten bei gleichzeitiger Wahrung von Privatsphäre und Compliance.

Untersuchung des Nutzervertrauens in ChatGPT für gesundheitsbezogene Entscheidungen.

SHIELD kombiniert genetische Analysen mit Datenschutzmassnahmen für sichere Forschungen.

Künstliche Daten helfen dabei, COVID-19-Risiken bei Veterans vorherzusagen und sorgen gleichzeitig für Privatsphäre.

EFFL zielt darauf ab, gleichmässige Modellgenauigkeit und Fairness unter den Teilnehmern im föderierten Lernen zu erreichen.

Analyse von föderierten und Konsensmethoden zur Prostatasegmentierung aus MRI-Scans.

Eine Studie, die verschiedene Algorithmen zum Erkennen von Wohnorten mit Smartphone-Daten vergleicht.

Methoden zum Schutz der Privatsphäre im Machine Learning untersuchen.

Untersuchen, wie Sprachmodelle bei der Unterstützung und Behandlung von psychischer Gesundheit helfen können.

Neue Methode verbessert die MRT-Segmentierung, indem sie Modelle anpasst, ohne dass umfangreiche Beschriftungen nötig sind.

Ein neuer Ansatz, um die Effizienz von Machine Learning in der Satellitenkommunikation zu steigern.