Yiming Li

Un aperçu des risques de confidentialité et des défenses dans l'apprentissage fédéré vertical.

Une nouvelle méthode de filigrane améliore la vérification de la propriété du modèle sans nuire à la performance.

Ce papier présente EFRAP, une défense contre les attaques par porte dérobée conditionnées par la quantification dans les modèles d'apprentissage profond.

Une nouvelle approche pour améliorer la planification des mouvements des robots et les tâches de manipulation.

Une nouvelle méthode pour s'attaquer aux données manquantes dans la recherche en santé.

Un nouveau modèle améliore les connexions entre les sons et leurs significations textuelles.

PointNCBW propose un moyen fiable de vérifier la propriété des jeux de données de nuages de points.

Un nouveau système AOM composite améliore l'efficacité du routage de la lumière à plus de 99 %.

Un aperçu de comment des astuces cachées affectent les modèles de langage et leurs explications.

Découvrez comment les robots optimisent leur mouvement en utilisant des champs de distance et des flux géodésiques.

Découvrez comment les nouvelles méthodes de filigrane protègent tes images en ligne.

Apprends comment les robots s'adaptent aux environnements changeants en utilisant des techniques de sécurité avancées.