Derniers articles pour Confidentialité des données

Une nouvelle méthode améliore la personnalisation des LLM pour un meilleur engagement des utilisateurs.

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

Une nouvelle méthode promet une effacement de données efficace tout en préservant la performance du modèle.

Une nouvelle méthode aide à garder les données privées en sécurité dans les modèles de langage.

Présentation de FC-EM pour protéger les données de nuages de points 3D contre les accès non autorisés.

Examiner les défis et les implications du désapprentissage dans les modèles d'IA.

Un aperçu de l'algorithme FedQ-Advantage dans l'apprentissage par renforcement fédéré.

FedMap améliore l'efficacité de l'apprentissage fédéré tout en garantissant la confidentialité des données.

De nouvelles méthodes génèrent des données synthétiques pour protéger la vie privée dans des scénarios de collaboration.

La vie privée différentielle locale permet un partage sécurisé des données tout en protégeant les informations individuelles des utilisateurs.

Une nouvelle approche des boxplots garantit la confidentialité des données tout en gardant une analyse pertinente.

Une approche novatrice combine l'analyse vocale avec la protection de la vie privée pour détecter la démence.

Formation collaborative d'algorithmes médicaux tout en protégeant la vie privée des patients.

Examiner la relation entre les techniques de confidentialité et les biais dans les modèles de langage.

AAggFF introduit des stratégies adaptatives pour un rendement équitable des modèles en apprentissage fédéré.

De nouvelles méthodes améliorent la confidentialité et la cohérence en utilisant des collocations dans les données linguistiques.

Une nouvelle méthode pour réécrire du texte qui garantit la vie privée tout en gardant le sens.

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

Des recherches montrent à quel point il est facile de retirer les fonctionnalités de sécurité des modèles Llama 3.

De nouvelles techniques améliorent les études génomiques collaboratives tout en garantissant la confidentialité des données.

Une nouvelle méthode réduit la consommation d'énergie tout en améliorant les résultats d'apprentissage dans des systèmes décentralisés.

QUEEN propose une protection en temps réel contre les attaques d'extraction de modèle en apprentissage profond.

Affiner des gros modèles de langage directement sur les smartphones tout en protégeant les données des utilisateurs.

Une nouvelle méthode pour récupérer des données efficacement dans des environnements décentralisés.

Un cadre pour le partage sécurisé des informations de santé tout en protégeant la vie privée des patients.

Cet article explore les avantages de l'utilisation du FP8 dans l'apprentissage fédéré.

Un aperçu de comment les modèles de langage peuvent fuir des données sensibles.

Cet article examine les risques liés aux LLM et propose des moyens d'améliorer la sécurité.

Explorer les défis juridiques posés par la rapide évolution de l'IA générative.

Un nouveau cadre améliore l'apprentissage fédéré tout en garantissant la confidentialité des données.

Cette étude évalue des modèles avancés pour générer de fausses données de voyage et leurs applications pratiques.

Venomancer est une attaque discrète en backdoor sur les systèmes d'apprentissage fédéré.

CLAMP-ViT propose une nouvelle méthode pour compresser les transformers de vision en utilisant des données synthétiques.

Un système de détection renforce la sécurité des véhicules contre les menaces cybernétiques en utilisant des techniques avancées.

Une nouvelle technologie radar surveille le rythme cardiaque pendant le sommeil et la méditation sans inconfort.

Zero-X améliore la cybersécurité des véhicules connectés contre les menaces émergentes.

Un nouveau cadre améliore l'efficacité de l'apprentissage fédéré sur le edge en optimisant les ressources et les données.

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

Améliorer la sécurité des smart grids en utilisant des honeypots et des approches d'apprentissage fédéré.

Un aperçu des méthodes pour protéger les infos perso tout en gardant l'utilité des données.