Últimos artículos para Privacidad de datos

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.

Este artículo habla sobre un marco para gestionar la privacidad en escenarios con varios analistas.

Cómo las herramientas de lenguaje avanzadas están transformando el análisis de políticas de privacidad.

FedGKD mejora el aprendizaje federado para Redes Neuronales de Grafos al optimizar la extracción de características de tareas.

Infórmate sobre los riesgos de usar plugins en plataformas de LLM.

Los ataques acústicos amenazan la seguridad de los datos al capturar sonidos de los teclados.

Presentando un protocolo para la predicción de enlaces que respeta la privacidad en gráficos distribuidos.

Explorando cómo los atacantes explotan modelos de lenguaje grandes para extraer información.

Un nuevo método protege datos sensibles durante el entrenamiento de machine learning.

DFedADMM y DFedADMM-SAM mejoran el entrenamiento del modelo mientras aseguran la privacidad de los datos.

Fed-LSAE mejora la seguridad en el aprendizaje federado y combate los ataques de envenenamiento.

Una nueva herramienta para analizar datos de forma segura sin comprometer la privacidad del usuario.

NOMA presenta riesgos de seguridad únicos debido a los canales compartidos entre varios usuarios.

Este estudio examina métodos de comunicación segura en IIoT usando técnicas NOMA.

La sanitización del conocimiento ayuda a proteger información sensible en modelos de lenguaje.

El estudio examina los aspectos amigables para el usuario de las herramientas populares de privacidad diferencial.

Una mirada a Edge ML y su papel en el reconocimiento de actividades humanas.

El papel de la IA en transformar la gestión de redes para tecnologías inalámbricas avanzadas.

Un nuevo método mejora el Aprendizaje Federado al abordar la obsolescencia y las diferencias entre dispositivos.

Un nuevo protocolo garantiza la privacidad en los cálculos usando sistemas SN P.