Neuste Artikel für Datenschutz

Eine neue Methode zum Zählen von Zyklen in Graphen, die gleichzeitig die Privatsphäre der Nutzer schützt.

Graph-Unlearning bietet eine Lösung, um veraltete Daten zu entfernen, ohne das komplette Training neu zu machen.

CryptoTrain kombiniert kryptografische Techniken, um sensible Daten während des Trainings von Machine Learning zu schützen.

FeDETR nutzt föderiertes Lernen für eine verbesserte Bewertung von koronaren Stenosen.

Personalisierte Systeme verbessern die Überwachung von Gesundheit und Verhalten durch angepasste Modelle.

Methoden zur Verbesserung der Privatsphäre in der föderierten Cox-Analyse werden untersucht.

TLSNotary sorgt dafür, dass die Daten authentisch sind und gleichzeitig die Privatsphäre der Nutzer in Online-Kommunikationen gewahrt bleibt.

Ein Blick darauf, wie differenzielle Privatsphäre individuelle Daten in einer datengetriebenen Welt schützt.

Die Notwendigkeit einer effektiven Durchsetzung von Datenutzungsrichtlinien erkunden.

Eine Übersicht über Datenlecks, ihre Auswirkungen und wie man sie misst.

Untersuchung lokaler Einblicke in die mobile Datensicherheit während einer Pandemie-Hilfsaktion.

Umfrage zeigt Einstellungen zu Gesundheits-Apps und Datenaustausch über Generationen hinweg.

Ein Blick auf die Datenschutzrisiken und sichere Methoden für generative KI.

Untersuchen, wie SSL-Modelle Datenpunkte speichern und welche Auswirkungen das hat.

A-FedPD passt Modellupdates an, um die Trainingsinstabilität im föderierten Lernen zu reduzieren.

Eine neue Methode sagt die Risiken der Memorierung in grossen Sprachmodellen vorher, um die Privatsphäre zu verbessern.

Eine neue Methode verbessert die Privatsphäre beim Teilen von Daten für Vorhersagen in Smart Cities.

TAKFL optimiert den Wissensaustausch im föderierten Lernen für unterschiedliche Gerätefähigkeiten.

Dieses Papier verbessert das föderierte Lernen für GNNs und schützt dabei die Privatsphäre der Nutzer.

Neue Methoden verbessern die Datenverbrauchsüberprüfung in föderierten Lernsystemen.

Eine Studie, die Datenschutzbedrohungen in spikenden und künstlichen neuronalen Netzwerken vergleicht.

Eine neue Methode schützt dezentrales Lernen vor Datenvergiftungsangriffen.

Eine neue Methode, um die Widerstandsfähigkeit von Federated Learning gegen Datenangriffe zu verbessern.

Die Komplexität beim Nachweisen der Datennutzung im KI-Training verstehen.

Die Kombination aus globalen und lokalen Eingaben verbessert föderierte Lernmodelle und schützt gleichzeitig die Datensicherheit.

Ein neues Modell gibt Einblicke in Jobtrends und schützt gleichzeitig sensible Daten.

Ein Blick auf die Herausforderungen und Lösungen von föderiertem Lernen in Bezug auf Datenschutz und Modellgenauigkeit.

Innovative Strategien verbessern die Erkennung seltener Ereignisse in föderierten Lernsystemen.

FLeNS verbessert das föderierte Lernen, indem es Lernspeed und Kommunikations-effizienz ausgleicht.

Überprüfung von Datenschutzanfälligkeiten im föderierten Lernen und deren Auswirkungen auf die Datensicherheit.

KI verbessert die Erkennung von Nierensteinen und schützt gleichzeitig die Patientendaten.

Forschung zeigt, dass LLMs nützlichen synthetischen Code zum Lehren generieren können.

Lern, wie föderiertes Lernen KI an individuelle Vorlieben anpasst und dabei die Privatsphäre wahrt.

Kundenangepasste Anpassung verbessert die Effizienz und Privatsphäre im föderierten Lernen.

Ein Blick auf Membership-Inference-Angriffe und deren Bedeutung für den Datenschutz.

Eine neue Methode schützt sensible Daten in der QUBO-Optimierung.

MASA bietet eine Lösung zur Verbesserung der Sicherheit in föderierten Lernsystemen.

Erfahre, wie synthetische Daten die Analyse des Mitarbeiterverhaltens verbessern können, während die Privatsphäre geschützt bleibt.

WaKA zeigt, wie Datenpunkte Modelle beeinflussen, während sie Datenschutzrisiken bewerten.

Eine neue Methode, um Smart Meter vor FDI-Angriffen zu schützen und dabei die Privatsphäre zu wahren.