Derniers articles pour Confidentialité des données

Un algorithme privé pour les nœuds qui analyse les composants des graphes protège la vie privée de chacun.

Exploration de l'apprentissage fédéré dans la prise de décision avec des bandits contextuels et la préservation de la vie privée.

Explorer l'approche de l'ABS pour protéger la vie privée tout en fournissant des infos statistiques essentielles.

Vers améliore l'informatique distribuée grâce à une gestion décentralisée des données et une sécurité renforcée.

Les systèmes CIM améliorent l'efficacité mais exposent à des vulnérabilités face aux attaques par canaux auxiliaires.

MedAlpaca améliore les modèles d'IA médicale et les données d'entraînement pour un meilleur soin des patients.

PFELS combine la vie privée et l'efficacité énergétique dans l'apprentissage fédéré.

Une nouvelle méthode améliore le suivi du comportement des conducteurs tout en protégeant leur vie privée.

Examen de la vie privée différentielle locale et de ses failles pour protéger les données des utilisateurs.

TimelyFL améliore l'apprentissage fédéré en optimisant les contributions des appareils et en améliorant la précision du modèle.

FedLSM améliore la collaboration en imagerie médicale en s'attaquant aux problèmes de correspondance des étiquettes.

FedXGBllr améliore l'apprentissage fédéré en renforçant la confidentialité et l'efficacité de la communication.

Nouveau système vise à protéger l'anonymat des patients dans les données hospitalières pour la recherche en IA.

Équilibrer les avantages du partage de données avec des méthodes de protection de la vie privée.

Une nouvelle approche garantit la confidentialité des données tout en gardant la performance du modèle.

Explore de nouveaux outils pour l'apprentissage décentralisé en machine learning.

Une nouvelle méthode protège la vie privée tout en garantissant un consensus précis entre les agents dans les réseaux.

DRIFT améliore les systèmes de recommandation tout en garantissant la confidentialité des utilisateurs grâce à un traitement local des données.

Un aperçu des méthodes pour augmenter la participation des appareils dans l'apprentissage fédéré.

Examen de l'optimisation convexe stochastique différemment privée dans différents contextes.

Un nouveau modèle améliore la confidentialité et la précision dans les réseaux de neurones graphiques.

Un coup d'œil sur l'utilisation des données clients et les politiques de confidentialité de Booking.com.

Examiner les attaques sur la vie privée dans l'apprentissage fractionné et une nouvelle méthode de protection.

Découvre la distribution de clés quantiques et son rôle dans le partage sécurisé de données.

DPAF propose des images synthétiques de haute qualité tout en garantissant de solides protections de la vie privée.

Cet article parle des méthodes pour enlever les portes dérobées des modèles d'apprentissage fédéré.

Stratégies pour protéger la vie privée des utilisateurs tout en optimisant la communication dans l'analyse de données.

Explorer l'équilibre entre l'accès aux données ouvertes et les risques pour la vie privée.

La recherche vise à prévoir le comportement de mémorisation dans les modèles de langue pour un meilleur contrôle de la vie privée.

Découvrez les dangers des attaques par empoisonnement de modèle et leur impact sur l'apprentissage fédéré.

Cette recherche propose une méthode pour améliorer la communication dans l'apprentissage fédéré.

Une nouvelle méthode pour créer des données GPS synthétiques tout en garantissant la vie privée des utilisateurs.

Une nouvelle méthode améliore l'entraînement des modèles tout en protégeant la vie privée des patients.

L'apprentissage fédéré permet d'améliorer l'utilisation des données de santé tout en protégeant la vie privée des patients.

L'analyse des jeux de données utilisés en biométrie vocale révèle des biais importants et des préoccupations en matière de confidentialité.

Explorer des méthodes pour que les organisations partagent des données sensibles tout en protégeant la vie privée.

Améliorer les performances du modèle tout en protégeant la vie privée des utilisateurs dans l'apprentissage fédéré.

Une étude sur comment LDP impacte l'équité dans l'apprentissage automatique.

Découvrez comment WFL améliore l'utilisation des données sans compromettre la vie privée.

Explorer les risques de confidentialité dans l'apprentissage auto-supervisé à cause de la mémorisation non intentionnelle.