Derniers articles pour Confidentialité des données

Nouveau cadre qui permet un apprentissage efficace des maladies sans stocker les données passées.

L'apprentissage machine quantique propose de nouvelles méthodes pour protéger des données sensibles.

Un nouveau cadre améliore les recommandations tout en protégeant la vie privée des utilisateurs.

Une approche structurée pour un design et une validation de l'IA responsable.

Une analyse de comment les services en ligne gèrent la vie privée des données des enfants.

Un système révolutionnaire permet des opérations LLM rapides sur les smartphones, améliorant la vie privée des utilisateurs.

Explorer les vulnérabilités dans l'apprentissage fédéré personnalisé et les nouvelles méthodes d'attaque par porte dérobée.

Découvrez comment l'apprentissage fédéré transforme la recherche alimentaire grâce à la confidentialité des données et à la collaboration.

UGradSL propose une solution pratique pour enlever des infos sensibles des modèles de machine learning.

Cet article parle des défis de l'oubli machine et d'une nouvelle approche pour équilibrer la vie privée et l'exactitude.

Une nouvelle méthode améliore les performances des modèles de langue sur les appareils personnels tout en répondant aux préoccupations en matière de confidentialité.

Évaluer le fossé entre la technologie de l'IA et les cadres réglementaires.

Une méthode qui combine la SGD et des techniques de confidentialité pour une analyse de données efficace.

Découvrez comment l’informatique quantique privée peut protéger des données sensibles pendant des calculs complexes.

Un aperçu des régulations qui façonnent le rôle de l'IA dans la santé mondiale aujourd'hui.

Examiner les risques de sécurité et les solutions pour les nouvelles technologies d'assistants IA.

Une nouvelle méthode améliore la capacité des grands modèles de langage à oublier des informations sensibles.

Une étude sur les méthodes pour des données synthétiques sûres qui préservent la vie privée et restent utiles.

Un nouvel algorithme améliore l'efficacité de l'apprentissage fédéré tout en garantissant la confidentialité des données.

Explorer comment l'information causale structurelle peut améliorer la qualité des données synthétiques.

Examine comment les algorithmes peuvent protéger la vie privée tout en optimisant les décisions dans la médecine personnalisée.

Tester les LLMs est essentiel pour des applications IA sûres et efficaces.

Examiner les attitudes sur le don de données de santé après la mort.

Un nouveau cadre pour analyser les flux de données tout en garantissant la confidentialité des utilisateurs.

Une nouvelle méthode améliore l'apprentissage personnalisé pour les grands modèles de langage.

Explorer les menaces à la vie privée dans le traitement d'images en utilisant des modèles de diffusion et des gradients fuités.

Analyse de la confidentialité des données à travers l'inférence bayésienne avec des contraintes.

L'oubli machine offre une façon d'améliorer la confidentialité des données dans les modèles d'apprentissage automatique.

Une nouvelle méthode cible les changements de rythme pour des attaques de discours discrètes.

Explorer l'importance des méthodes de désapprentissage dans l'apprentissage automatique moderne.

Nouvelle méthode améliore la condensation des datasets pour de meilleurs résultats en machine learning.

Explorer la synergie entre l'apprentissage fédéré et l'intelligence en essaim pour améliorer l'IA.

Le cadre HiFGL s'attaque aux défis de l'apprentissage collaboratif axé sur la vie privée.

Une nouvelle façon de créer des données synthétiques sans soucis de vie privée.

Une nouvelle méthode améliore l'apprentissage fédéré pour des données multi-modales malgré les informations manquantes.

Apprends comment le désapprentissage ciblé protège la vie privée en permettant aux modèles d'oublier des infos spécifiques.

Une nouvelle méthode pour vérifier l'oubli machine de manière efficace et sécurisée.

Cette méthode enlève efficacement le contenu protégé par des droits d'auteur tout en gardant la performance du modèle.

Cet article parle de l'effacement de caractéristiques et de son impact sur la vie privée et l'équité dans l'apprentissage automatique.

Cet article parle du soft prompting comme méthode pour désapprendre dans les LLMs.