Últimos artículos para Privacidad de datos

Un nuevo marco para analizar flujos de datos mientras se garantiza la privacidad del usuario.

Un nuevo método mejora el aprendizaje personalizado para modelos de lenguaje grandes.

Explorando amenazas a la privacidad en el procesamiento de imágenes usando modelos de difusión y gradientes filtrados.

Analizando la privacidad de datos a través de la inferencia bayesiana con restricciones.

El "machine unlearning" ofrece una forma de mejorar la privacidad de los datos en los modelos de aprendizaje automático.

Nuevo método apunta a cambios de ritmo para ataques de habla sigilosos.

Explorando la importancia de los métodos de desaprendizaje en el aprendizaje automático moderno.

Un nuevo método mejora la condensación de conjuntos de datos para obtener mejores resultados en el aprendizaje automático.

Explorando la sinergia entre el aprendizaje federado y la inteligencia de enjambre para mejorar la IA.

El marco HiFGL aborda los desafíos en el aprendizaje colaborativo enfocado en la privacidad.

Un enfoque nuevo para crear datos sintéticos sin preocupaciones de privacidad.

Un nuevo método mejora el aprendizaje federado para datos multimodales a pesar de la falta de información.

Aprende cómo el olvido dirigido protege la privacidad al permitir que los modelos se olviden de información específica.

Un nuevo método para verificar el olvido de máquinas de manera efectiva y segura.

Este método elimina de manera efectiva material protegido por derechos de autor mientras mantiene el rendimiento del modelo.

Este artículo habla sobre el olvido de características y su impacto en la privacidad y la equidad en el aprendizaje automático.

Este artículo habla sobre el prompting suave como un método para el desaprendizaje de máquinas en los LLMs.

P3GNN mejora la detección de APT mientras protege la privacidad de los datos en redes SDN.

Examinando la memorización en modelos de autocompletado de código y sus implicaciones de privacidad.

Nuevos métodos revelan desafíos para desaprender conocimiento de los modelos de lenguaje.

Los sistemas de recomendación influyen en las experiencias de los usuarios, pero enfrentan preocupaciones clave sobre la equidad y la privacidad.

Un método para mantener la privacidad al compartir estadísticas de tráfico urbano.

Un marco para mejorar la detección de APT mientras se protege la privacidad.

LDMeta mejora la privacidad y la eficiencia en los métodos de aprendizaje distribuido.

El estudio examina cómo los anuncios de influencers moldean las percepciones sobre VPN y las creencias sobre la seguridad en línea.

Explorando la sinergia entre los Modelos de Fundación y el Aprendizaje Federado para mejorar las aplicaciones de IA.

Un nuevo método mejora el aprendizaje federado al usar solo una imagen para entrenar.

Dos robots mejoran la navegación en laberintos a través de experiencias de aprendizaje compartidas, manteniendo la privacidad de los datos.

Nuevo método combina aprendizaje federado con modelos de difusión para la generación de imágenes centrada en la privacidad.

Un método para mejorar la privacidad de los datos en el aprendizaje federado eliminando influencias de datos específicas.

Snap ayuda a los modelos de lenguaje grandes a desaprender información específica sin perder su rendimiento.

WavRx analiza el habla para la salud mientras protege la privacidad, mostrando resultados diagnósticos prometedores.

Un nuevo modelo mejora los datos sintéticos de EHR para aplicaciones de salud más efectivas.

Este artículo explora cómo la privacidad diferencial protege los datos de ECG en la salud.

Fed-Grow permite a los usuarios construir modelos más grandes juntos mientras protegen la privacidad.

Este artículo explora estrategias para proteger la privacidad individual en el aprendizaje automático.

Fed-RAA mejora el aprendizaje federado adaptándose a los recursos de los clientes para un entrenamiento más rápido.

Un nuevo enfoque en el aprendizaje federado captura las dependencias de los datos mientras garantiza la privacidad.

Un nuevo punto de referencia para el desaprendizaje automático mejora la evaluación y comparación de métodos.

Un nuevo método reduce los riesgos de privacidad en aplicaciones de generación aumentada por recuperación.