Neuste Artikel für Datenschutz

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.

Entdecke den Bedarf an Sichtbarkeit und Governance bei AI-Agenten-Operationen.

Eine Studie über den Ausgleich von Privatsphäre und Effizienz in der medizinischen Bildverarbeitung.

Die Erstellung von synthetischen Daten hilft Forschern, Stress zu untersuchen, während persönliche Informationen sicher bleiben.

Innovative Methoden zur Schätzung von Kovarianzmatrizen bei gleichzeitiger Wahrung der persönlichen Privatsphäre.

Die Bedeutung von KI-Audits für einen fairen und verantwortungsbewussten Technologieneinsatz verstehen.

Ein neuer Algorithmus verbessert die Datenanalyse und schützt gleichzeitig die Privatsphäre der Einzelnen.

Hybride homomorphe Verschlüsselung bietet Lösungen für Privatsphäre bei der Datenanalyse.

Eine neue Methode erkunden, um die Datenschutz bei Machine Learning zu verbessern.

Neue GPU-Sicherheitslücke sorgt für Bedenken bei Maschinenlern-Anwendungen.

Forscher entwickeln synthetische Sprachdaten, um die Privatsphäre bei der Sprach erken nung zu schützen.

Eine neue Methode verbessert den Datenschutz und die Genauigkeit in datengestützten Modellen.

Dieser Artikel behandelt die Datenschutz- und Sicherheitsrisiken bei cloudbasierten KI-Diensten.

Ein neuer Ansatz verbessert das föderierte Lernen, indem er langsamere Clients effektiv angeht.

Ein Blick darauf, wie MP-SL Geräte im maschinellen Lernen unterstützt und gleichzeitig die Privatsphäre schützt.

Diese Arbeit verbessert Methoden des maschinellen Vergessens für bessere Datensicherheit und Effizienz.

Ansprechpartner für Datenschutzbedenken bei synthetischen klinischen Notizen in der Gesundheitsforschung.

Double-Dip kombiniert Transferlernen und Randomisierung, um sich gegen Membership-Inference-Angriffe zu schützen.

iDDGT bietet eine flexible Lösung für dezentrale Optimierungsherausforderungen.

Neues Framework hilft generativen Modellen, vertrauliche Daten zu vergessen, während die Leistung erhalten bleibt.

Menschliche digitale Zwillinge bieten eine digitale Sicht auf Individuen und verbessern das Gesundheitswesen und den Sport.

Entdecke, wie DFML das Datenlernen ohne zentrale Server verändert.

Die Integration von Foundation Models mit Federated Learning bringt sowohl Risiken als auch Vorteile mit sich.

Ein Blick auf bi-CryptoNets und ihren Einfluss auf den Datenschutz.

Eine Strategie zur Verbesserung der Leistung und Fairness in föderierten Lernmodellen.

Verbesserungen im föderierten Lernen steigern die Effizienz und den Datenschutz bei IoT-Anwendungen.

Methoden zur Sicherstellung der Privatsphäre beim Berechnen von Durchschnitten in Gerätenetzwerken erkunden.

Ein neuer quantenbasierter Ansatz ermöglicht sichere und effiziente Berechnungen von Skalarprodukten.