Derniers articles pour Confidentialité des données

Une étude révèle l'attaque WordGame, qui profite des faiblesses des mesures de sécurité des LLM.

Explorer comment l'apprentissage fédéré peut améliorer la protection des données dans le secteur de la santé.

Une nouvelle approche améliore la performance et l'équité dans l'apprentissage fédéré.

Un nouveau cadre aide à protéger les statistiques récapitulatives sensibles pendant le partage de données.

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

Apprends comment l'apprentissage distribué peut améliorer l'efficacité de l'apprentissage machine et l'entraînement des modèles.

Un aperçu de comment l'anonymisation protège l'identité personnelle tout en utilisant des biométriques.

Présentation d'un cadre pour équilibrer la vie privée des données et l'utilité.

Une nouvelle méthode pour protéger la vie privée dans les modèles de texte en image.

Examiner le lien entre la confidentialité différentielle locale et l'équité dans les systèmes d'IA.

De nouvelles méthodes améliorent l'audit de la vie privée, en se concentrant sur des modèles d'état caché dans l'apprentissage automatique.

Améliorer l'apprentissage distribué grâce à des techniques de clipping robuste et adaptatif.

Une nouvelle méthode améliore la suppression des données dans les modèles de graphes dynamiques tout en garantissant la confidentialité.

L'inférence fédérée bayésienne permet de faire des analyses de survie tout en préservant la vie privée dans la recherche sur le cancer.

FedSC améliore l'entraînement des modèles tout en préservant la vie privée des utilisateurs dans l'apprentissage fédéré.

De nouvelles techniques améliorent la scalabilité dans l'apprentissage automatique différemment privé.

Une approche basée sur des cohortes améliore l'efficacité et la précision dans les systèmes d'apprentissage fédéré.

Découvrez comment les Plans Comportementaux Fédérés améliorent la compréhension des actions des clients dans l'apprentissage fédéré.

Présentation de l'Alignement par Démonstrations pour des modèles de langage sûrs et efficaces.

Des recherches montrent des vulnérabilités dans l'approche de la confidentialité des textes en apprentissage fédéré.

Exploration de la méthode NatMU pour un unforgettage machine efficace et la protection des données.

Le désapprentissage améliore la vie privée dans les systèmes de recommandation tout en gardant la qualité des recommandations.

Les données synthétiques offrent des solutions prometteuses aux problèmes d'imagerie médicale.

Explorer l'impact de l'IA sur l'efficacité, la vie privée et la sécurité dans les systèmes vitaux.

Une nouvelle méthode réduit les charges de communication dans l'apprentissage fédéré tout en renforçant la vie privée.

Une nouvelle méthode améliore la précision des prédictions tout en protégeant la vie privée des utilisateurs dans les modèles cloud.

Client2Vec améliore l'apprentissage fédéré en créant des identifiants uniques pour les données des utilisateurs.

Une nouvelle méthode améliore les attaques de jailbreak sur des modèles d'IA avancés en utilisant le jeu de rôle de personnages.

Découvre une méthode d'optimisation décentralisée qui protège les données des utilisateurs tout en améliorant l'efficacité.

Explorer le mélange de l'apprentissage axé sur la confidentialité et des techniques de génération de données.

Découvrez comment AltGDmin gère les données manquantes dans un cadre fédéré.

Une nouvelle méthode pour améliorer l'apprentissage fédéré grâce à la modélisation additive multi-niveaux.

Explorer de nouvelles façons d'assurer la vie privée dans les communications sans fil.

Une nouvelle méthode améliore l'équité dans l'apprentissage fédéré à travers des communautés diverses.

Former des LLM open source améliore la modélisation d'optimisation pour les applications industrielles.

Exploiter des modèles à sortie anticipée pour un apprentissage fédéré efficace dans les systèmes ASR.

Explore le rôle essentiel du contrôle d'accès dans l'informatique en périphérie.

FedHPL améliore l'efficacité de l'apprentissage fédéré tout en garantissant la confidentialité des données sur les appareils.

Une nouvelle méthode permet le transfert de modules LoRA avec des données synthétiques, réduisant ainsi la dépendance aux données originales.

Cette étude améliore la sécurité de l'apprentissage automatique quantique contre les attaques adversariales grâce à des canaux de bruit et des méthodes de confidentialité.