Últimos artículos para Privacidad de datos

EFFL busca una precisión de modelo y equidad igual entre los clientes en el aprendizaje federado.

Analizando métodos federados y de consenso para la segmentación de la próstata a partir de escaneos de MRI.

Un estudio comparando varios algoritmos para detectar ubicaciones de casa usando datos de smartphones.

Examinando métodos para proteger la privacidad en el aprendizaje automático.

Examinando cómo los modelos de lenguaje pueden ayudar en el apoyo y tratamiento de la salud mental.

Un nuevo método mejora la segmentación de MRI al adaptar modelos sin necesidad de etiquetado extenso.

Un nuevo enfoque para aumentar la eficiencia del machine learning en la comunicación satelital.

La investigación destaca la necesidad de respuestas personalizadas en los agentes de búsqueda conversacional.

Un nuevo enfoque asegura la selección de participantes en el aprendizaje federado para proteger la privacidad.

Este documento presenta un método para mejorar la equidad en el aprendizaje federado mientras se protege la privacidad de los datos.

Un nuevo método permite que los agentes aprendan juntos mientras manejan influencias poco confiables.

Un nuevo enfoque para mejorar el Aprendizaje Federado en medio de la participación desigual de los usuarios.

DP-ZO equilibra la privacidad y el rendimiento en el entrenamiento de modelos de lenguaje.

Un nuevo método para mejorar la comunicación en FedRec mientras se protege la data del usuario.

N nuevas métricas de tonos de piel buscan mejorar la equidad y la privacidad en los sistemas de reconocimiento facial.

Explorando los factores que influyen en la confianza en los asistentes de voz de IA en la salud.

Aprende cómo el desaprendizaje automático ayuda a proteger la privacidad de los usuarios al eliminar la influencia de los datos.

Un nuevo enfoque para mejorar el rendimiento del aprendizaje federado mientras se garantiza la privacidad de los datos.

Brave ofrece privacidad y protección contra amenazas en el aprendizaje federado de igual a igual.

Un enfoque formal para identificar violaciones de privacidad en algoritmos de computación cuántica.

Una mirada al Aprendizaje Federado y el Desaprendizaje para la privacidad de datos.

AdaFed mejora la equidad en el aprendizaje federado mientras mantiene la precisión del modelo.

Una mirada a las preocupaciones de seguridad en torno a los modelos de lenguaje grandes.

Examinando el impacto de la pandemia en los investigadores de ingeniería de software.

Enfoque innovador que usa datos de conducción mientras protege la privacidad.

Mejorando la eficiencia del entrenamiento de modelos y la privacidad en el aprendizaje federado a través de la selección de coreset.

Un método para mejorar la calidad de la traducción mientras se mantiene la privacidad en la comunicación multilingüe.

Un enfoque metódico para revisiones de código de privacidad para software conforme.

Un nuevo enfoque para analizar políticas de privacidad usando crowdsourcing y aprendizaje activo.

ADVENT detecta ataques en VANETs, asegurando un transporte más seguro a través de un monitoreo eficiente en tiempo real.

Un nuevo algoritmo que mejora la personalización del modelo mientras mantiene la privacidad de los datos.

Un nuevo método mejora el aprendizaje federado al reducir las cargas de comunicación y abordar la deriva de los clientes.

El aprendizaje contrastivo elimina de manera eficiente la influencia de los datos mientras mantiene el rendimiento del modelo.

Examinando los riesgos de integrar Modelos de Fundación en sistemas de Aprendizaje Federado.

Los métodos de desaprendizaje automático son vitales para respetar los derechos de privacidad de los datos.

Un nuevo algoritmo mejora el análisis de regresión mientras prioriza la privacidad de los datos.

CleanSheet avanza el secuestro de modelos sin alterar los procesos de entrenamiento.

Una mirada a cómo la privacidad diferencial protege la privacidad de los datos individuales.

Un nuevo método mejora la eficiencia del aprendizaje federado mientras mantiene la privacidad de los datos.

Una mirada a los riesgos de seguridad que enfrentan los dispositivos IoT potenciados por el aprendizaje automático.