Neuste Artikel für Datenschutz

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.

Forschung zeigt, dass es wichtig ist, personalisierte Antworten in Konversationssuchagenten zu haben.

Ein neuer Ansatz sichert die Auswahl der Teilnehmer im föderierten Lernen, um die Privatsphäre zu schützen.

Dieses Papier stellt eine Methode vor, um Fairness im föderierten Lernen zu verbessern und gleichzeitig die Datensicherheit zu wahren.

Neue Methode ermöglicht es Agenten, gemeinsam zu lernen, während sie mit unzuverlässigen Einflüssen umgehen.

Ein neuer Ansatz zur Verbesserung des föderierten Lernens bei ungleicher Nutzerbeteiligung.

DP-ZO gleicht Privatsphäre und Leistung beim Training von Sprachmodellen aus.

Eine neue Methode, um die Kommunikation in FedRec zu verbessern und dabei die Nutzerdaten zu schützen.

Neue Hautfarbmessungen sollen Fairness und Privatsphäre in Gesichtserkennungssystemen verbessern.

Die Erforschung von Faktoren, die das Vertrauen in Sprach-KI-Assistenten im Gesundheitswesen beeinflussen.

Lern, wie maschinelles Vergessen dazu beiträgt, die Privatsphäre der Nutzer zu schützen, indem es den Einfluss von Daten entfernt.

Ein neuer Ansatz, um die Leistung des föderierten Lernens zu verbessern und gleichzeitig die Datensicherheit zu gewährleisten.

Brave bietet Privatsphäre und Schutz vor Bedrohungen im Peer-to-Peer-Föderierten Lernen.

Ein formeller Ansatz zur Identifizierung von Datenschutzverletzungen in Quantencomputeralgorithmen.

Ein Blick auf Föderiertes Lernen und Unlearning für Datenschutz.

AdaFed verbessert die Fairness im föderierten Lernen und behält dabei die Modellgenauigkeit bei.

Ein Blick auf die Sicherheitsbedenken rund um grosse Sprachmodelle.

Untersuchung der Auswirkungen der Pandemie auf Softwareengineering-Forscher.

Innovativer Ansatz nutzt Fahrdaten und schützt dabei die Privatsphäre.

Verbesserung der Effizienz des Modelltrainings und des Datenschutzes im föderierten Lernen durch Coreset-Auswahl.

Eine Methode, um die Übersetzungsqualität zu verbessern und gleichzeitig die Privatsphäre in mehrsprachiger Kommunikation zu wahren.

Ein methodischer Ansatz für Codeüberprüfungen zur Privatsphäre bei konformen Software.

Ein neuer Ansatz zur Analyse von Datenschutzrichtlinien mithilfe von Crowdsourcing und aktivem Lernen.

ADVENT erkennt Angriffe in VANETs und sorgt so für sichereren Transport durch effizientes Monitoring in Echtzeit.

Ein neuer Algorithmus, der die Personalisierung von Modellen verbessert und gleichzeitig die Datenschutz gewährleistet.

Eine neue Methode verbessert das föderierte Lernen, indem sie die Kommunikationslast verringert und das Client-Drift-Problem angeht.

Kontrastives Unlernen entfernt effizient den Einfluss von Daten, während die Modellleistung erhalten bleibt.

Die Risiken der Integration von Foundation Models in föderierte Lernsysteme untersuchen.

Methoden des Maschinen-Unlearning sind wichtig, um die Datenschutzrechte zu respektieren.

Ein neuer Algorithmus verbessert die Regressionsanalyse und legt gleichzeitig Wert auf den Datenschutz.

CleanSheet fördert Modelldiebstahl, ohne die Trainingsprozesse zu ändern.

Ein Blick darauf, wie differenzielle Privatsphäre individuelle Datenprivatsphäre schützt.

Eine neue Methode verbessert die Effizienz des föderierten Lernens und schützt dabei die Datensicherheit.

Ein Blick auf die Sicherheitsrisiken, denen IoT-Geräte ausgesetzt sind, die durch maschinelles Lernen unterstützt werden.