Derniers articles pour Attaques par inférence d'adhésion

Un aperçu des risques des attaques d'inférence d'appartenance sur la vie privée des données.

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

Explore les défis de la vie privée posés par les attaques par inférence dans les modèles d'apprentissage automatique.

Cet article parle des défis de l'oubli machine et d'une nouvelle approche pour équilibrer la vie privée et l'exactitude.

Une nouvelle méthode pour vérifier l'oubli machine de manière efficace et sécurisée.

De nouvelles méthodes révèlent des menaces sérieuses pour la vie privée dues au partage de données de localisation.

Le poisoning de code augmente les risques d'attaques par inférence de membres sur des données sensibles.

Examen des attaques d'inférence d'appartenance sur les modèles de prévision de séries chronologiques dans le secteur de la santé.

Analyser les vulnérabilités des LLMs à cause des données de préférence humaine.

Explorer les risques de confidentialité liés aux données synthétiques et introduire l'Indice de Plagiat de Données.

Une étude présente SeqMIA pour améliorer la protection contre les attaques d'inférence d'appartenance.

Cet article explore le recyclage des connaissances pour améliorer l'entraînement des données synthétiques dans les classificateurs.

Examiner les risques de confidentialité dans les explications de modèle et les stratégies pour améliorer la sécurité.

Explorer l'utilisation des filigranes pour s'attaquer aux problèmes de droits d'auteur dans les modèles de langage.

Examiner la vie privée différentielle dans le traitement du langage naturel pour une meilleure protection des données.

Une nouvelle approche met en avant des tokens surprenants pour évaluer les données de formation des modèles de langage.

Examen des vulnérabilités et des défenses dans les modèles de diffusion pour une génération de contenu sûre.

Une nouvelle méthode reforme l'audit de la vie privée dans l'apprentissage automatique.

Une étude sur l'amélioration des méthodes pour évaluer les attaques d'inférence d'appartenance dans les modèles de langage.

Exploration des risques de confidentialité dans la modélisation d'images masquées et leurs implications.

MIA-Tuner vise à régler les problèmes de vie privée dans les données d'entraînement des LLM.

Examiner comment des points de données importants attirent plus de risques de sécurité dans le machine learning.

Un aperçu des préoccupations liées à la vie privée dans les systèmes d'apprentissage centralisés et décentralisés.

Explore les préoccupations en matière de vie privée entourant les attaques d'inférence d'appartenance en apprentissage automatique.

Ce benchmark évalue les menaces à la vie privée et les mécanismes de défense dans les modèles de PNL.

Le chiffrement sélectif améliore la confidentialité tout en maintenant les performances du modèle dans l'apprentissage collaboratif.

Une étude comparant les menaces à la vie privée dans les réseaux de neurones à impulsion et les réseaux de neurones artificiels.

Comprendre les complexités de prouver l'utilisation des données dans l'entraînement de l'IA.

Un aperçu des attaques par inférence d'adhésion et de leur pertinence en matière de confidentialité des données.

Des chercheurs proposent une approche économique pour gérer les risques de confidentialité dans les grands modèles de langage.

Explorer les attaques d'inférence d'adhésion pour protéger la vie privée des données dans les modèles avancés.

Une façon rentable d'évaluer les risques de confidentialité dans les modèles d'apprentissage automatique.

Des recherches montrent que les SNN pourraient améliorer la confidentialité des données par rapport aux modèles traditionnels.

Les méthodes PEFT améliorent les modèles de langage tout en protégeant les données privées.

Explore comment la régularisation L2 peut améliorer la confidentialité dans les modèles d'IA.

Découvrez des techniques pour équilibrer la vie privée et l'équité dans les modèles d'apprentissage automatique.

Explorer comment les attaques par inférence d'appartenance révèlent les risques de données sensibles dans les modèles d'IA.

Découvrez les risques des attaques par inférence d'adhésion dans l'apprentissage décentralisé.