Derniers articles pour Vie privée

Examen des vulnérabilités du random rounding dans les données de recensement canadien.

De nouvelles méthodes visent à améliorer la sécurité et la vie privée dans la communication V2X.

Explore l'attaque par injection de nœuds et le vol de liens, ainsi que les problèmes de confidentialité dans les GNN.

Un aperçu des avantages et des risques de ChatGPT dans différents domaines.

S'attaquer aux défis de la vie privée rencontrés par les groupes marginalisés dans les environnements en ligne.

L'apprentissage fédéré améliore la précision statistique tout en protégeant la vie privée des individus lors de la collecte de données.

Explorer les problèmes de confidentialité dans le fine-tuning des modèles d'IA comme GPT-3.

Les FPGA améliorent l'efficacité et la sécurité des processus d'apprentissage fédéré.

Les CDMs aident à protéger les données de formation sensibles tout en générant des images de haute qualité.

Examiner la vie privée des utilisateurs et la surveillance par les pairs dans les communautés en ligne basées sur l'identité.

Comment les infos sur les autres passagers peuvent améliorer l'expérience dans les véhicules automatisés partagés.

Examiner l'utilisation des décorations de liens dans le suivi en ligne.

L'AIGC redéfinit comment on génère du contenu numérique de manière efficace.

Analyser comment les données de nombre de pas peuvent révéler des infos personnelles et des risques pour la vie privée.

Une étude révèle comment la mémoire des conversations des chatbots influence l'engagement des utilisateurs et la vie privée.

Cette recherche se concentre sur l'amélioration de l'efficacité et de la vie privée dans l'apprentissage fédéré grâce à des méthodes de compression adaptatives.

Explore les défis invisibles et les avantages d'utiliser des moteurs de recherche aujourd'hui.

De nouvelles méthodes visent à cacher l'identité des intervenants tout en gardant la clarté de la parole.

Une méthode pour trouver des moyennes à partir de données utilisateurs variées sans compromettre la vie privée.

La recherche explore l'équilibre dans les modèles de langue multilingues pour l'équité et la vie privée.

SplitWiper améliore le désapprentissage en apprentissage automatique, garantissant la confidentialité des données et l'efficacité.

Examen des risques de ré-identification dans les décisions de justice anonymisées en utilisant des modèles de langage.

Explorer les avantages de l'apprentissage fractionné pour l'entraînement de modèles de santé sécurisés.

Une nouvelle méthode améliore la vie privée tout en permettant une meilleure utilisation des données de santé.

Examiner les menaces pour la vie privée liées à la collecte de données dans les véhicules intelligents.

Une nouvelle méthode minimise les biais tout en préservant la vie privée dans l'apprentissage automatique.

Cet article examine les risques de révéler les votes individuels lors des élections.

FAM améliore l'entraînement des modèles d'IA tout en préservant la confidentialité des données des patients.

Protéger les emplacements des utilisateurs principaux tout en assurant une bonne communication pour les utilisateurs secondaires.

Examiner les risques de confidentialité dans l'apprentissage fédéré et la nécessité d'améliorer les défenses.

Explorer l'importance et les défis de la pseudonymisation dans le partage de données de recherche.

Un aperçu de la combinaison de l'apprentissage fractionné et du chiffrement pour une meilleure confidentialité des données.

Cette étude examine la relation entre les utilisateurs de l'argent mobile et les agents.

Découvrez comment l'analyse fédérée garde les données médicales en sécurité tout en offrant des aperçus.

Faire face aux menaces de confidentialité lors des migrations de jumeaux numériques dans le transport intelligent.

FCCA améliore la précision des modèles tout en garantissant la confidentialité des utilisateurs dans l'apprentissage fédéré.

Une nouvelle méthode améliore la confidentialité des images collectées par des caméras fisheye dans les voitures autonomes.

De nouvelles méthodes améliorent l'efficacité de l'apprentissage fédéré tout en garantissant la vie privée des données.

Un outil pour aider les développeurs à respecter les directives des applications vocales.

UFed-GAN permet d'apprendre à partir des données tout en préservant la vie privée et en minimisant les exigences en matière de calcul.