Últimos artículos para Privacidad de datos

FCCA mejora la precisión del modelo mientras garantiza la privacidad del usuario en el aprendizaje federado.

Una mirada a cómo el aprendizaje federado y la poda de modelos mejoran el rendimiento de las redes inalámbricas.

El marco LDP-Auditor estima la pérdida de privacidad en métodos de Privacidad Diferencial Local.

El Aprendizaje Federado mejora el reconocimiento de voz mientras mantiene los datos del usuario privados.

Un nuevo enfoque equilibra la privacidad y el rendimiento en el entrenamiento de GNN.

Un nuevo protocolo busca mejorar la privacidad en las transacciones con tarjeta.

Este artículo explora un método para mejorar el aprendizaje federado con una comunicación eficiente.

Este método mejora la detección de trastornos cerebrales mientras mantiene segura la información del paciente.

EdgeFL simplifica el aprendizaje federado mientras garantiza la privacidad de los datos y la eficiencia.

Un nuevo método mejora la privacidad de las imágenes recolectadas por cámaras ojo de pez en coches autónomos.

Métodos innovadores mejoran la seguridad en la comunicación digital para información sensible.

La esteganálisis ayuda a detectar mensajes ocultos en multimedia, asegurando una comunicación segura.

Nuevos métodos mejoran la eficiencia del aprendizaje federado mientras aseguran la privacidad de los datos.

Este estudio evalúa la efectividad de los sistemas de IA en guiar a los usuarios sobre las políticas de privacidad.

Cómo el aprendizaje por transferencia mejora la detección de amenazas y la privacidad en ciberseguridad.

Un nuevo método que utiliza aprendizaje federado para la mapeo a gran escala con campos de radiancia neural.

La investigación muestra cómo los LLM pueden mejorar la privacidad sin perder efectividad en el modelo de lenguaje.

Nuevos métodos mejoran el entrenamiento de modelos mientras protegen la privacidad de los datos de los usuarios.

Explorando vulnerabilidades y estrategias de defensa en sistemas de comunicación semántica.

Fairness como Servicio aborda el sesgo en los sistemas de aprendizaje automático de manera segura.

La investigación busca mejorar el monitoreo y la prevención de infecciones en residencias de ancianos.

Nuevos métodos para preservar la privacidad al compartir información entre varios grupos.

Un método para abordar preocupaciones de privacidad y justicia en el aprendizaje automático.

Un nuevo método que utiliza TEEs para proteger modelos de aprendizaje automático en el aprendizaje federado.

Aprender del Drift mejora el rendimiento del modelo en el aprendizaje federado con datos diversos.

FedDIP optimiza la comunicación en el aprendizaje federado a través de la poda dinámica y la regularización.

Este artículo examina el papel de las PET en la privacidad de datos y sus aplicaciones.

Examinando las complejidades de la privacidad de datos y el desaprendizaje en el aprendizaje automático.

FedJudge ofrece un enfoque centrado en la privacidad para el entrenamiento de modelos de lenguaje legal.

Este trabajo habla sobre la generación de datos sintéticos usando privacidad diferencial para estudios económicos.

Un método que combina el Aprendizaje Dividido con la Encriptación Homomórfica mejora la privacidad en el aprendizaje automático.

Un método para optimizar la configuración de privacidad y mejorar la protección de datos y su utilidad.

Un nuevo marco asegura que las respuestas de datos sintéticos sean confiables para la investigación.

Un marco para asegurar la privacidad del usuario en GNNs sin perder precisión.

Una mirada a los desafíos en el Aprendizaje Federado por ataques de reconstrucción de datos.

Un método que permite el aprendizaje automático en datos encriptados para proteger la privacidad del usuario.

Un estudio sobre cómo identificar la mejor opción mientras se asegura la privacidad de los datos.

Este método mejora las recomendaciones mientras protege la privacidad de los datos del usuario.

Explorando maneras de mejorar el intercambio de datos sin comprometer la privacidad del usuario.

Explorando métodos de privacidad diferencial para obtener información segura de datos.