Derniers articles pour Confidentialité des données

Un nouveau protocole garantit la confidentialité dans les calculs en utilisant des systèmes SN P.

Présentation de PFL-GAN : une solution sur mesure pour la variabilité des clients dans l'apprentissage fédéré.

Une nouvelle approche améliore l'apprentissage fédéré pour des données clients variées.

Un coup d'œil sur l'oubli machine pour améliorer les modèles génératifs et leurs sorties.

Une nouvelle méthode améliore la précision des modèles grâce à l'apprentissage fédéré et à la régression par noyau.

La confidentialité différentielle protège les données personnelles pendant l'analyse, en s'assurant de la vie privée de chacun.

Un aperçu de l'apprentissage d'équilibre profond fédéré et son impact sur l'IA.

SANGEA propose une approche évolutive pour créer des graphes synthétiques de haute qualité.

Un guide pour l'apprentissage machine distribué collaboratif tout en préservant la vie privée des données.

Une nouvelle approche pour partager des données en toute sécurité tout en garantissant la confidentialité et la conformité.

Examiner la confiance des utilisateurs dans ChatGPT pour les décisions liées à la santé.

SHIELD combine l'analyse génétique avec des protections de la vie privée pour des recherches sécurisées.

Les données synthétiques aident à prédire les risques de COVID-19 chez les vétérans tout en garantissant la confidentialité.

EFFL vise une précision de modèle et une équité égales entre les clients dans l'apprentissage fédéré.

Analyse des méthodes fédérées et de consensus pour la segmentation de la prostate à partir d'IRM.

Une étude comparant différents algorithmes pour détecter les lieux de résidence en utilisant des données de smartphone.

Examiner les méthodes pour protéger la vie privée dans l'apprentissage automatique.

Examiner comment les modèles de langage peuvent aider dans le soutien et le traitement de la santé mentale.

Une nouvelle méthode améliore la segmentation IRM en adaptant les modèles sans avoir besoin d'un étiquetage exhaustif.

Une nouvelle approche pour booster l'efficacité de l'apprentissage automatique dans les communications par satellite.

Les recherches montrent qu'on a besoin de réponses personnalisées dans les agents de recherche conversationnels.

Une nouvelle approche sécurise la sélection des participants dans l'apprentissage fédéré pour protéger la vie privée.

Ce papier présente une méthode pour améliorer l'équité dans l'apprentissage fédéré tout en protégeant la vie privée des données.

Une nouvelle méthode permet aux agents d'apprendre ensemble tout en gérant des influences peu fiables.

Une nouvelle approche pour améliorer l'apprentissage fédéré malgré une participation inégale des utilisateurs.

DP-ZO équilibre la vie privée et la performance dans l'entraînement des modèles de langage.

Une nouvelle méthode pour améliorer la communication dans FedRec tout en protégeant les données des utilisateurs.

De nouvelles métriques de teinte de peau visent à améliorer l'équité et la confidentialité dans les systèmes de reconnaissance faciale.

Explorer les facteurs qui influencent la confiance dans les assistants vocaux IA en santé.

Apprends comment l'unlearning machine aide à protéger la vie privée des utilisateurs en supprimant l'influence des données.

Une nouvelle approche pour améliorer les performances de l'apprentissage fédéré tout en garantissant la confidentialité des données.

Brave offre de la vie privée et de la protection contre les menaces dans l'apprentissage fédéré entre pairs.

Une approche formelle pour identifier les violations de la vie privée dans les algorithmes de calcul quantique.

Un aperçu de l'apprentissage fédéré et de l'apprentissage à l'oubli pour la protection des données.

AdaFed améliore l'équité dans l'apprentissage fédéré tout en maintenant la précision du modèle.

Un aperçu des préoccupations de sécurité autour des grands modèles de langage.

Examiner l'impact de la pandémie sur les chercheurs en ingénierie logicielle.

Une approche innovante utilise les données de conduite tout en protégeant la vie privée.

Améliorer l'efficacité de l'entraînement des modèles et la confidentialité dans l'apprentissage fédéré grâce à la sélection de coreset.

Une méthode pour améliorer la qualité de la traduction tout en préservant la vie privée dans la communication multilingue.