Últimos artículos para Privacidad de datos

Este documento presenta un método para mejorar la comunicación en el aprendizaje federado.

Este artículo explora la k-anonimidad y su impacto en la privacidad de la red.

Un nuevo método mejora los modelos usando la retroalimentación de los usuarios mientras protege la privacidad.

Una estrategia para seleccionar hospitales mejora los modelos predictivos en la salud.

FedGrad ofrece un mecanismo de defensa para el aprendizaje federado, contrarrestando eficazmente los ataques backdoor.

Nuevo marco optimiza el aprendizaje federado para privacidad, utilidad y costo.

Explorando nuevas tendencias y desafíos en la traducción automática usando LLMs.

Un nuevo método permite compartir mejor los datos mientras se protege la privacidad en la atención médica.

Un nuevo método mejora la eficiencia de Intel SGX y reduce problemas de rendimiento.

El Anclaje de Clasificadores Federados mejora la clasificación de imágenes médicas en medio de desafíos de datos.

Un nuevo marco mejora el análisis de imágenes médicas mientras se preserva la privacidad del paciente.

Un nuevo marco para reducir la memorización de datos sensibles en modelos de lenguaje grandes.

Un nuevo método mejora la imagen médica usando datos etiquetados y no etiquetados.

La privacidad diferencial local protege las identidades individuales mientras sigue permitiendo el análisis de datos.

Nuevo método preserva emociones mientras anonimiza rostros para mejor protección de la privacidad.

Explorando cómo los protocolos de población pueden proteger datos sensibles entre dispositivos conectados.

Descubre cómo la Encriptación Homomórfica protege datos sensibles en Redes Neuronales.

Abordando la privacidad y la valoración de datos en el entrenamiento de modelos de aprendizaje automático.

La investigación se centra en anonimizar el habla mientras se mantiene el contenido emocional.

Un nuevo método para aprender de datos descentralizados mientras se preserva la privacidad.

Un nuevo método mejora la precisión de los modelos de lenguaje en dispositivos personales.

Proteger la información personal mientras se analiza datos dinámicos es esencial.

Una visión general del crecimiento de la computación bayesiana y su integración con el aprendizaje automático.

Una mirada a la automatización de solicitudes de acceso a datos personales para mejorar la experiencia del usuario.

Los métodos de reconstrucción plantean problemas de privacidad en el aprendizaje automático, lo que genera la necesidad de protecciones más fuertes.

Descubre cómo dFIL mejora la privacidad en la codificación de instancias para datos sensibles.

Los oficiales de protección de datos enfrentan desafíos clave para manejar el conocimiento y cumplir con las normativas.

Los investigadores encuentran que el equilibrio adecuado en la comunicación es crucial para el rendimiento del modelo en FL.

Los modelos de IA muestran potencial para automatizar la creación de notas clínicas a partir de las conversaciones entre médicos y pacientes.

Un nuevo marco mejora el rendimiento del modelo de lenguaje con acceso a conocimiento específico.

Un nuevo enfoque para la gestión segura de datos usando blockchains personales.

Este artículo examina las preocupaciones de privacidad en los modelos de lenguaje y propone métodos para abordarlas.

FedPDD mejora los sistemas de recomendación mientras protege la privacidad de los datos de los usuarios.

Los datos sintéticos ayudan a proteger la privacidad de los pacientes mientras se permite la investigación.

Un nuevo método asegura la privacidad del usuario en los sistemas de recuperación mediante la generación de consultas sintéticas.

Examinando el rol de la criptografía cuántica en la eliminación segura de datos.

Un método para estimar promedios respetando las necesidades de privacidad individuales.

La investigación revela nuevos métodos para ocultar disparadores en sistemas de aprendizaje profundo.

Introduciendo técnicas de ataque de paso bajo para eludir las defensas de las redes neuronales.

Un nuevo marco ayuda a los desarrolladores a crear declaraciones de privacidad claras para las aplicaciones.