Últimos artículos para Privacidad de datos

PPA-AFL mejora la privacidad de datos en el aprendizaje automático colaborativo entre dispositivos.

Explorando el aprendizaje federado y el método de puntos interiores para un entrenamiento de modelo efectivo.

Un marco para desarrollar políticas personalizadas usando datos observacionales mientras se garantiza la privacidad.

Un método para usar LLMs de manera segura y eficiente, protegiendo la privacidad del usuario.

KARD mejora modelos pequeños al integrar conocimiento externo para un mejor razonamiento.

Examinando cómo los clasificadores selectivos mantienen la privacidad y la precisión de las predicciones.

Examinando la interacción entre métodos de comunicación y privacidad en espacios virtuales.

Una mirada a cómo la privacidad diferencial protege la información individual en el análisis de datos.

Este artículo habla sobre métodos para mejorar la eficiencia de la comunicación en el aprendizaje dividido, sin afectar el rendimiento del modelo.

Una inmersión profunda en los ataques de morphing facial y los métodos de detección.

Una mirada a la optimización convexa diferencialmente privada para la protección de datos en el aprendizaje automático.

Un estudio sobre la efectividad de los ataques vecinales para revelar datos de entrenamiento.

Examinando el conflicto entre el acceso a datos y la confidencialidad en la investigación.

Un nuevo marco para el aprendizaje federado se adapta a los datos cambiantes mientras garantiza la privacidad.

Este documento examina la importancia de la indistinguibilidad estadística en los algoritmos de aprendizaje.

Examinando la efectividad y los desafíos de los conjuntos de datos inaprendibles en la protección de información privada.

El aprendizaje federado mejora el entrenamiento de modelos mientras mantiene los datos de los usuarios en privado.

Un nuevo método asegura la privacidad en la clasificación de voz sin sacrificar el rendimiento.

Usando aprendizaje federado para mejorar el análisis de voz en el diagnóstico de Parkinson en diferentes idiomas.

Nuevos modelos mejoran la comunicación aire-tierra usando aprendizaje federado y redes neuronales generativas.

Un método para entrenar modelos que protege la privacidad de los datos mientras mejora la colaboración.

Un nuevo marco mejora la velocidad y eficiencia del aprendizaje federado mientras protege la privacidad.

Equilibrando la privacidad del usuario y la toma de decisiones en IA con técnicas de privacidad diferencial.

Un nuevo marco mejora el análisis de datos de teledetección mientras mantiene la privacidad.

Este artículo examina cómo los modelos de privacidad afectan la monitorización de niveles de CO2 en edificios inteligentes.

Este artículo analiza los ataques de inferencia de atributos en GNNs y su impacto en la privacidad.

Este artículo explora los beneficios y desafíos del aprendizaje federado descentralizado.

Combinar el aprendizaje federado y MIMO mejora la privacidad y la eficiencia en los sistemas inalámbricos.

Una mirada a asegurar la confiabilidad en estructuras de datos auditables.

FedMSA mejora el aprendizaje federado al mejorar la comunicación y la eficiencia en el entrenamiento descentralizado.

Abordando la privacidad y la precisión en el análisis de datos sintéticos a través de la inferencia bayesiana.

Nuevos métodos mejoran la privacidad mientras preservan el significado y la estructura del texto.

Nuevos métodos mejoran la precisión del reconocimiento facial y abordan preocupaciones de privacidad.

Un nuevo marco mejora la entrega de contenido en áreas urbanas concurridas.

Estudio evalúa los riesgos de privacidad de los modelos generativos en el intercambio de datos médicos.

El marco busca proteger la privacidad de los pacientes al compartir datos médicos sintéticos.

El marco GPT-FL mejora el aprendizaje federado usando datos sintéticos.

Un método para eliminar datos de modelos de aprendizaje automático mientras se garantiza la privacidad.

Un nuevo método mejora la privacidad y precisión para datos de alta dimensión.

Explorando el aprendizaje que protege la privacidad mientras se abordan problemas de comunicación en el aprendizaje por refuerzo federado.