Neuste Artikel für Datenschutz

KI nutzen, um Daten zu simulieren, die emotionale Verbindungen in der psychischen Gesundheit analysieren.

Entdecke, wie Federated Learning Daten privat hält und gleichzeitig Zusammenarbeit im IIoT ermöglicht.

Dieser Artikel stellt eine neue Methode für realistische Dialogsysteme vor, die nutzerspezifische Eigenschaften verwendet.

Eine neue Methode, um Deep-Learning-Modelle an unbeschriftete Daten anzupassen und dabei die Privatsphäre zu wahren.

Ein Workshop, der über die Herausforderungen und Lösungen für Plattformarbeitende spricht.

Ein Blick darauf, wie KI private Daten beim Bildrestaurieren vergessen kann.

Eine neue Methode verbessert die Sicherheit des föderierten Lernens, indem sie byzantinische Angriffe effektiv bekämpft.

Die Rolle von Secure Aggregation im Federated Learning im Gesundheitswesen erkunden.

Bewertung der Fähigkeit grosser Sprachmodelle, mit Datenschutzvorschriften umzugehen.

RoLoRA verbessert federiertes Lernen mit robustem Feintuning und effizienter Kommunikation.

Ein neuer Ansatz, um die Modellgenauigkeit zu verbessern, indem man minderwertige Datenquellen identifiziert.

Eine Methode, um personalisierte Modelle zu verbessern und dabei die Privatsphäre der Nutzer zu wahren.

Diese Studie untersucht die Erstellung realistischer Röntgenaufnahmen vom Brustkorb mittels fortschrittlicher Machine-Learning-Techniken.

Dieses Framework verbessert die Effizienz von Multimedia-Apps und schützt dabei die Privatsphäre der Nutzer.

Ein Blick auf neue Ansätze zur Verbesserung sicherer Programmiermethoden.

Eine Studie zeigt, dass KI-Tools die Genauigkeit und Effizienz beim Schwärzen sensibler Dokumente verbessern.

Dieser Artikel untersucht, wie die Kombination aus echten und synthetischen Bildern die Genauigkeit und Fairness bei der Gesichtserkennung verbessert.

LoRD verbessert die Effizienz bei Modellausbruchsangriffen auf grosse Sprachmodelle.

Neue Strategien zur verbesserten Erkennung von Ausreissern verändern die Methoden der Datenanalyse.

Neuer Ansatz nutzt föderiertes Lernen, um mobile Aufgabenverlagerungsentscheidungen zu optimieren.

CoAst bietet eine innovative Bewertung von Beiträgen im föderierten Lernen, ohne dass Validierungsdaten nötig sind.

Forscher haben eine Technik entwickelt, um wichtige Wörter in Textdaten zu schützen.

Ein Blick auf differenzielle Privatsphäre und ihre Rolle beim Schutz individueller Daten, während gleichzeitig die Nützlichkeit gewährleistet wird.

Ein Rahmen, um den Bildschutz zu gewährleisten und gleichzeitig die Modellgenauigkeit zu erhalten.

Neue Methoden verknüpfen Metadaten mit Wissensgraphen für eine bessere Dateninterpretation.

Forscher bewerten die Risiken, Einzelpersonen aus geteilten Daten zu identifizieren, um die Privatsphäre zu verbessern.

Eine Studie zeigt Unstimmigkeiten darin, wie Android-Apps die Datensammlung melden.

Lern, wie die Probenahmedaten unser Verständnis von der Verbreitung von Viren und Bakterien beeinflussen.

Neue Methoden verbessern die Effizienz von maschinellem Lernen in mobilen Umgebungen.

Wir stellen FedFT vor, eine Methode zur Verbesserung der Kommunikation im föderierten Lernen.

Neue Methoden verbessern die sicheren Berechnungen in neuronalen Netzwerken und wahren gleichzeitig die Privatsphäre.

Lern, wie die Schätzung des Dichteverhältnisses die Qualität von synthetischen Daten effektiv misst.

Ein Blick darauf, wie man verteiltes Lernen nutzen kann und dabei die Datensicherheit wahrt.

Eine Web-App, die föderiertes Lernen vereinfacht, um die Datensicherheit und Benutzerfreundlichkeit zu verbessern.

Methoden zur Verbesserung der Blockchain-Sicherheit durch Zusatz von Rauschtechniken.

Ein neuer Ansatz verbessert die digitale Pathologie und sorgt gleichzeitig für den Datenschutz der Patienten.

Ein neues Framework kombiniert föderiertes Lernen und multimodale Modelle, um Privatsphäre und Leistung zu verbessern.

RC-FED senkt die Kommunikationskosten und hält gleichzeitig die Modellqualität beim föderierten Lernen hoch.

Eine neue Methode verbessert die Modellleistung und sorgt gleichzeitig für Datenschutz im Deep Learning.

Eine neue Methode verbessert das föderierte Lernen, indem sie die Herausforderungen unterschiedlicher Daten angeht.