Derniers articles pour Confidentialité des 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.

Un aperçu de l'algorithme FedQ-Advantage dans l'apprentissage par renforcement fédéré.

FedMap améliore l'efficacité de l'apprentissage fédéré tout en garantissant la confidentialité des données.

De nouvelles méthodes génèrent des données synthétiques pour protéger la vie privée dans des scénarios de collaboration.

La vie privée différentielle locale permet un partage sécurisé des données tout en protégeant les informations individuelles des utilisateurs.

Une nouvelle approche des boxplots garantit la confidentialité des données tout en gardant une analyse pertinente.

Une approche novatrice combine l'analyse vocale avec la protection de la vie privée pour détecter la démence.

Formation collaborative d'algorithmes médicaux tout en protégeant la vie privée des patients.

Examiner la relation entre les techniques de confidentialité et les biais dans les modèles de langage.

AAggFF introduit des stratégies adaptatives pour un rendement équitable des modèles en apprentissage fédéré.

De nouvelles méthodes améliorent la confidentialité et la cohérence en utilisant des collocations dans les données linguistiques.

Une nouvelle méthode pour réécrire du texte qui garantit la vie privée tout en gardant le sens.

Le poisoning de code augmente les risques d'attaques par inférence de membres sur des données sensibles.