Derniers articles pour Confidentialité des données

Cet article explore des stratégies pour protéger la vie privée des individus dans le machine learning.

Fed-RAA améliore l'apprentissage fédéré en s'adaptant aux ressources des clients pour un entraînement plus rapide.

Une nouvelle approche en apprentissage fédéré capte les dépendances des données tout en garantissant la confidentialité.

Un nouveau critère pour l'oubli machine améliore l'évaluation et la comparaison des méthodes.

Une nouvelle méthode réduit les risques de confidentialité dans les applications de génération augmentée par la récupération.

Cet article examine des méthodes pour enlever les données des utilisateurs des réseaux neuronaux de manière efficace.

SeCTIS permet le partage sécurisé d'intelligence sur les menaces cybernétiques tout en préservant la vie privée et la qualité des données.

Une nouvelle méthode améliore la protection de la vie privée dans les modèles de langage tout en gardant de bonnes performances.

Explorer des technologies de préservation de la vie privée dans l'analyse d'images médicales.

CEBench aide les entreprises et les chercheurs à évaluer les LLMs tout en gérant les coûts et la performance.

Explorer des techniques pour analyser des données tout en préservant la vie privée et en garantissant l'exactitude.

De nouvelles techniques améliorent la vie privée et la sécurité dans les requêtes et les transactions de bases de données.

Un modèle qui protège les données personnelles dans les écrits juridiques italiens.

Ce travail améliore la vie privée dans la diffusion de graphes tout en gardant l'utilité des données.

Explorer comment les profils d'utilisateurs améliorent la personnalisation dans les modèles de langue.

TX-Phase améliore l'imputation des génotypes tout en garantissant la confidentialité des données pour les chercheurs.

Apprends comment la confidentialité différentielle protège les données individuelles tout en permettant une analyse utile.

Combiner l'IoT et la blockchain améliore la vie privée et la sécurité pour le suivi de localisation.

Crepe permet aux chercheurs de collecter des données d'écran mobile facilement.

TimeAutoDiff propose de nouvelles solutions pour créer des données de séries temporelles synthétiques réalistes.

Cette étude examine le rôle des données individuelles dans la modélisation basée sur des agents.

Lomas permet un accès sécurisé aux données publiques pour la recherche sans compromettre la vie privée.

Cette méthode améliore la transparence pour déterminer qui a écrit le document.

S'attaquer aux biais dans la reconnaissance faciale grâce à des ensembles de données d'entraînement équilibrés.

AUTOPRIV simplifie la protection des données pour les utilisateurs sans compétences techniques.

De nouvelles méthodes utilisent des modèles de langage pour améliorer la reconnaissance des activités dans les maisons intelligentes.

Une approche flexible pour générer des CFE qui respecte les préoccupations de confidentialité des données.

Apprends le rôle de la cryptographie dans la sécurisation des infos et la protection de la vie privée.

Une nouvelle méthode améliore la mémoire et l'adaptabilité des modèles d'imagerie médicale.

FedBiOT améliore les grands modèles de langage tout en gardant les données privées et en réduisant l'utilisation des ressources.

Techniques pour améliorer les performances lors de l'entraînement de modèles avec la confidentialité différentielle.

QFHE permet de faire des calculs sur des données chiffrées pour plus de confidentialité et de sécurité.

Cet article présente une méthode pour protéger les données personnelles dans les systèmes d'apprentissage automatique.

Comment l'apprentissage fédéré fait face aux menaces pour la vie privée tout en s'efforçant d'assurer la sécurité 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.