Últimos artículos para Privacidad de datos

Un estudio revela el ataque WordGame, que explota debilidades en las medidas de seguridad de los LLM.

Explorando cómo el Aprendizaje Federado puede mejorar la privacidad de los datos en la salud.

Un enfoque novedoso mejora el rendimiento y la equidad en el aprendizaje federado.

Nuevo marco ayuda a proteger estadísticas resumidas sensibles durante el intercambio de datos.

Presentamos una nueva forma de evaluar los riesgos de privacidad en modelos de aprendizaje automático.

Aprende cómo el aprendizaje distribuido puede mejorar la eficiencia del aprendizaje automático y el entrenamiento de modelos.

Una visión general de cómo la anonimización protege la identidad personal mientras se usan biométricos.

Presentando un marco para equilibrar la privacidad de datos y la utilidad.

Un nuevo método para proteger la privacidad en modelos de texto a imagen.

Examinando la relación entre la privacidad diferencial local y la equidad en sistemas de ML.

Nuevos métodos mejoran la auditoría de privacidad, centrándose en modelos de estado oculto en el aprendizaje automático.

Mejorando el aprendizaje distribuido a través de técnicas de recorte robusto adaptativo.

Nuevo método mejora la eliminación de datos en modelos de gráficos dinámicos mientras asegura la privacidad.

La inferencia federada bayesiana permite un análisis de supervivencia que protege la privacidad en la investigación del cáncer.

FedSC mejora el entrenamiento de modelos mientras mantiene la privacidad del usuario en el aprendizaje federado.

Nuevas técnicas mejoran la escalabilidad en el aprendizaje automático diferencialmente privado.

El enfoque basado en cohortes mejora la eficiencia y precisión en los sistemas de Aprendizaje Federado.

Descubre cómo los Planes Comportamentales Federados mejoran la comprensión de las acciones del cliente en el aprendizaje federado.

Presentamos la Alineación a partir de Demostraciones para modelos de lenguaje seguros y efectivos.

La investigación muestra vulnerabilidades en el enfoque de la privacidad del texto en el aprendizaje federado.

Explorando el método NatMU para un aprendizaje automático efectivo y la privacidad de los datos.

Desaprender mejora la privacidad en los sistemas de recomendación sin afectar la calidad de las recomendaciones.

Los datos sintéticos ofrecen soluciones prometedoras a los problemas en la imagenología médica.

Explorando el impacto de la IA en la eficiencia, la privacidad y la seguridad en sistemas vitales.

Un nuevo método reduce las cargas de comunicación en el aprendizaje federado mientras mejora la privacidad.

Un nuevo método mejora la precisión de las predicciones mientras protege la privacidad del usuario en modelos en la nube.

Client2Vec mejora el aprendizaje federado al crear identificadores únicos para los datos de los usuarios.

Un nuevo método mejora los ataques de jailbreak en modelos de IA avanzados usando juego de roles de personajes.

Descubre un método de optimización descentralizada que protege los datos del usuario y mejora la eficiencia.

Explorando la mezcla de aprendizaje centrado en la privacidad y técnicas de generación de datos.

Aprende cómo AltGDmin aborda los datos faltantes en un entorno federado.

Un nuevo método para mejorar el aprendizaje federado a través del modelado aditivo multinivel.

Explorando nuevas formas de garantizar la privacidad en la comunicación inalámbrica.

Un nuevo método mejora la equidad en el aprendizaje federado en diversas comunidades.

Entrenar modelos de lenguaje de código abierto mejora el modelado de optimización para aplicaciones industriales.

Aprovechando modelos de salida temprana para un aprendizaje federado eficiente en sistemas de ASR.

Explora el papel vital del control de acceso en la computación en la frontera.

FedHPL mejora la eficiencia del aprendizaje federado mientras garantiza la privacidad de los datos en todos los dispositivos.

Un nuevo método permite la transferencia de módulos LoRA con datos sintéticos, minimizando la dependencia de datos originales.

Este estudio mejora la seguridad del aprendizaje automático cuántico contra ataques adversariales a través de canales de ruido y métodos de privacidad.