Derniers articles pour Confidentialité des données

AAG améliore la confidentialité et la précision dans la gestion des données spatiales.

DP-BloGS améliore la confidentialité des données dans l'apprentissage automatique tout en gardant de bonnes performances.

Examiner l'impact et les risques des grands modèles de langage sur la société.

Ce papier examine l'efficacité des méthodes actuelles de vérification de l'oubli machine.

Une nouvelle méthode améliore la détection de fraude tout en garantissant la confidentialité des données.

Un nouvel algorithme améliore la vie privée et l'efficacité dans l'apprentissage fédéré en utilisant des méthodes d'ordre supérieur.

FL-E2WS optimise l'apprentissage fédéré dans les réseaux sans fil tout en assurant la confidentialité des données.

Une nouvelle méthode améliore la correspondance entre les croquis faits à la main et les photos de profil en utilisant des données synthétiques.

Une nouvelle méthode améliore la confidentialité des vision transformers en apprentissage automatique.

Analyser les données de mobilité urbaine soulève des soucis de vie privée importants pour les chercheurs.

Un nouveau jeu de données permet d'améliorer les outils pour détecter la fraude aux documents d'identité.

Les fonctionnalités de sécurité dans les systèmes d'IA sont super importantes pour une utilisation responsable et éthique.

Un cadre pour générer des notes cliniques synthétiques en santé.

Explorer l'intersection de la vie privée des données et des méthodes d'apprentissage continu.

Une nouvelle approche de l'apprentissage fédéré qui améliore la vie privée et l'efficacité.

Les requêtes privées quantiques visent à garantir la vie privée des utilisateurs tout en récupérant des données en toute sécurité.

Une nouvelle méthode améliore la protection contre les attaques dans les systèmes d'apprentissage fédéré.

Cette étude examine la capacité des LLM open source à produire des messages de commit.

FedLog améliore l'apprentissage fédéré avec une communication efficace et la protection des données.

Un nouvel algorithme améliore le partage de données et l'efficacité de l'apprentissage machine en utilisant des ensembles de données synthétiques.

Ce doc s'intéresse à la synergie entre l'apprentissage fédéré et les applis de contrôle.

Examen des vulnérabilités et des défenses dans les modèles de diffusion pour une génération de contenu sûre.

Découvrez comment l'apprentissage fédéré améliore les décisions agricoles grâce à la confidentialité des données et à la collaboration.

AdapTable améliore les prévisions des modèles malgré les changements dans les données des tables sans avoir besoin de réentraîner.

Présentation d'un outil pour évaluer les méthodes de détection d'anomalies non supervisées dans l'apprentissage fédéré.

Utiliser les données des compteurs intelligents et les infos météo pour mieux surveiller l'énergie.

Un nouveau cadre améliore l'apprentissage fédéré en s'attaquant aux problèmes de données bruyantes.

FADAS améliore l'apprentissage fédéré en permettant des mises à jour asynchrones des clients tout en préservant la confidentialité des données.

Explorer l'oubli machine dans la recherche d'informations pour renforcer la confidentialité des données.

Une nouvelle méthode reforme l'audit de la vie privée dans l'apprentissage automatique.

Un système qui prévoit la demande de taxis tout en protégeant les données des passagers.

NeuroSynth génère des données IRM synthétiques pour améliorer les études sur la santé cérébrale.

Examen de la confidentialité différentielle dans les données de transport spatiotemporelles pour protéger les utilisateurs.

Une nouvelle méthode améliore le calcul des ellipsoïdes de John tout en protégeant les données sensibles.

Une nouvelle méthode pour améliorer la génération de code dans les modèles LLM4Code.

Combiner l'apprentissage fédéré et la blockchain pour partager des modèles en toute sécurité.

FlexMod améliore l'apprentissage fédéré en optimisant l'allocation des ressources pour des types de données variés.

Présentation d'une nouvelle méthode pour améliorer l'efficacité de l'apprentissage fédéré grâce à des sous-modèles adaptés.

Un nouveau cadre améliore la confidentialité et l'efficacité dans l'apprentissage fédéré.

Une méthode pour corriger automatiquement les bugs logiciels en mettant l'accent sur la confidentialité et la sécurité.