Derniers articles pour Confidentialité des données

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.

Examiner la nécessité de transparence dans l'utilisation des données de santé pour la recherche.

De nouvelles méthodes améliorent la reconnaissance faciale tout en prenant en compte les préoccupations en matière de vie privée.

Analyser l'équilibre entre décentralisation et efficacité dans l'externalisation des tâches de calcul.

ELM prouve l'efficacité de modèles de langage plus petits et spécifiques au contexte dans l'éducation.

De nouvelles méthodes améliorent la protection des données tout en gardant l'exactitude des analyses.

Exploration des risques de confidentialité dans la modélisation d'images masquées et leurs implications.

Le framework Pulse propose une nouvelle méthode pour détecter efficacement des ransomwares inconnus.

Découvrez comment l'échantillonnage de Thompson protège la vie privée tout en prenant des décisions éclairées.

Une méthode pour l'inférence collaborative en périphérie en mettant l'accent sur la vie privée et l'efficacité.

La recherche présente un nouveau jeu de données et des méthodes pour améliorer le ReID vidéo sur différentes plateformes.

Un guide pour mieux comprendre la vie privée différentielle et ses implications pour les données personnelles.

Un nouvel IDS renforce la sécurité des véhicules contre les menaces cybernétiques croissantes.

Examiner des méthodes défensives pour sécuriser l'apprentissage fédéré contre les violations de données.

Une nouvelle méthode améliore la communication dans l'apprentissage fédéré grâce à une planification optimale des mises à jour.

Un nouveau système vise à améliorer la vie privée dans la communication et la détection sans fil.

Un nouveau cadre améliore la précision des modèles en s'attaquant au déséquilibre des données tout en garantissant la confidentialité.

Une nouvelle approche pour améliorer les résumés de code en incluant du contexte essentiel.

Découvrez comment l'apprentissage fédéré améliore la détection des petits objets tout en préservant la vie privée des données.

MIA-Tuner vise à régler les problèmes de vie privée dans les données d'entraînement des LLM.

Un nouveau cadre améliore la vie privée et la qualité des données dans l'apprentissage fédéré.

Des chercheurs proposent une méthode pour améliorer les modèles médicaux tout en garantissant la confidentialité des données.

Un système pour un apprentissage IA sécurisé dans la santé sans partager les données des patients.

Un aperçu des défis et des avantages d'ajouter de nouveaux clients dans l'apprentissage fédéré.

Cet article parle de l'utilisation de la pré-formation pour améliorer la confidentialité et la performance dans l'apprentissage fédéré.

Combiner le pruning de modèle et l'allocation de bande passante améliore l'efficacité dans l'apprentissage fédéré.

Une nouvelle méthode améliore le suivi des fuites de vie privée dans les grands modèles de langage.

Cette étude analyse FEWS et OEWS pour améliorer la performance des modèles en fabrication.

Explorer le rôle des technologies de la vie privée dans la lutte contre les crimes financiers.

Explore l'importance des scores de levier dans l'analyse de données et la vie privée.

Examiner les vulnérabilités des outils de complétion de code et leur impact sur la vie privée des utilisateurs.

Explorer les mesures de sécurité dans l'apprentissage fédéré hiérarchique contre diverses attaques.

Le clustering fédéré aide à analyser des données tout en gardant les infos sensibles privées.

Un aperçu des avantages et des défis du crowd-sensing, en se concentrant sur la vie privée et l'engagement des utilisateurs.

Présentation de DUCD, une méthode axée sur la confidentialité pour protéger les DNN contre les attaques adverses.

Examiner les problèmes de copyright avec l'apprentissage machine dans la génération de contenu.