Kamalika Chaudhuri

Une méthode pour améliorer la génération d'images tout en protégeant la vie privée en utilisant des jeux de données publics.

Une nouvelle approche pour élaguer les jeux de données améliore les performances des modèles tout en réduisant la taille des données.

Un système pour vérifier l'équité dans l'apprentissage automatique tout en protégeant la confidentialité du modèle.

Une nouvelle approche de la représentation des images avec confidentialité différentielle grâce au sous-titrage.

De nouveaux mécanismes renforcent la vie privée tout en préservant l'utilité des données dans l'apprentissage automatique.

De nouvelles méthodes protègent les données personnelles dans la génération d'images.

Un guide pour protéger la vie privée des données individuelles tout en permettant l'analyse des données.

Présentation d'une nouvelle façon d'évaluer les risques de confidentialité dans les modèles d'apprentissage automatique.

Cet article examine comment les théories de l'apprentissage s'attaquent aux changements de distribution.

Une nouvelle méthode s'attaque aux défis de la vie privée pour estimer les U-statistiques avec précision.

Exposer les risques de manipulation des fonctions d’influence en apprentissage automatique.

Découvrez comment les méthodes de protection de la vie privée protègent les données sensibles dans les grands modèles de langage.