Últimos artículos para Privacidad de datos

AFedPG mejora la eficiencia en el aprendizaje por refuerzo federado a través de actualizaciones asíncronas.

Los bancos enfrentan desafíos al compartir datos de trading mientras protegen la privacidad de sus clientes.

Nuevos algoritmos mejoran la privacidad y la optimización en los modelos de aprendizaje automático.

Nuevos métodos mejoran la privacidad del paciente mientras mejoran la investigación de imágenes médicas.

Analizando amenazas y defensas en el aprendizaje federado contra ataques maliciosos.

Explorando los riesgos de privacidad y soluciones en modelos de lenguaje grandes.

Explorando las vulnerabilidades de los modelos de ML y posibles defensas contra MIAs.

EncDB ofrece mejor seguridad y eficiencia para manejar datos encriptados en la nube.

Una mirada a mejorar la seguridad del IoT usando datos de sensores existentes para autenticación.

Los investigadores buscan generar datos sintéticos equilibrados para prevenir sesgos en el aprendizaje automático.

Un nuevo enfoque para mejorar la e-salud a través de una mejor gestión de datos y la privacidad del paciente.

Un nuevo algoritmo mejora el aprendizaje federado al abordar la diversidad de clientes y la eficiencia.

Nuevas regulaciones obstaculizan el progreso y la colaboración en la investigación médica en Finlandia.

Una visión general de los desafíos legales en el desarrollo y uso de la IA generativa.

Un método para proteger la privacidad de los datos en sistemas de aprendizaje descentralizados usando nodos virtuales.

Una mirada a cómo los algoritmos pueden respetar las solicitudes de eliminación de datos, mientras mantienen la eficiencia.

Una nueva herramienta busca hacer que los contratos legales sean más fáciles de leer.

Un estudio sobre cómo mejorar la comunicación en el aprendizaje federado para un mejor rendimiento del modelo.

Un nuevo enfoque para compartir datos de trayectoria manteniendo la privacidad del usuario.

Este artículo examina cómo los pasos de preprocesamiento pueden afectar las garantías de privacidad de los datos.

S3PHER empodera a los pacientes al permitir el intercambio seguro de datos de salud con los proveedores.

Una mirada a usar modelos de lenguaje para evaluar la satisfacción de los requisitos del software.

Un nuevo mecanismo de defensa reduce los riesgos de ataques de inferencia de etiquetas en el aprendizaje automático colaborativo.

Este estudio mejora el aprendizaje federado al aumentar la diversidad de los modelos mientras protege la privacidad.

Un nuevo enfoque para el modelado basado en agentes protege la privacidad de las personas mientras mantiene la precisión de los datos.

El DPV ofrece un marco claro para el manejo de datos personales.

Un marco para mejorar la colaboración en la atención médica mientras se asegura la privacidad del paciente.

Estrategias para analizar datos sensibles mientras se mantiene la privacidad.

Asegurando que el diseño de la tecnología respete la diversidad y el contexto de los usuarios.

Explorando cómo BR-DP equilibra la privacidad y el análisis de datos.

Presentamos los UGEs, una nueva forma de mantener los datos seguros y utilizables.

Explorando métodos de fine-tuning para mejorar la precisión del modelo mientras se asegura la privacidad de los datos.

Examinando los riesgos de ataques de envenenamiento de modelos en sistemas de aprendizaje federado.

Este artículo explora métodos para proteger la privacidad mientras se analiza datos de manera efectiva.

Un protocolo seguro para proteger los datos de los usuarios en el aprendizaje automático.

Los robots optimizan el movimiento usando una nueva técnica de aprendizaje colaborativo.

DA-DPFL mejora el aprendizaje federado al reducir costos y tiempo de entrenamiento.

Explorando el papel de las imágenes de iris sintético en los sistemas biométricos.

Mejorando el aprendizaje federado con estructuras jerárquicas y manejo inteligente de datos.

Optimizando métodos de generación de ruido para mejorar la privacidad de datos en aplicaciones de streaming.