Derniers articles pour Confidentialité des données

Ce papier propose une méthode pour améliorer la communication dans l'apprentissage fédéré.

Cet article explore la k-anonymat et son impact sur la vie privée en réseau.

Une nouvelle méthode améliore les modèles en utilisant les retours des utilisateurs tout en protégeant la vie privée.

Une stratégie pour choisir des hôpitaux améliore les modèles prédictifs dans le secteur de la santé.

FedGrad offre un mécanisme de défense pour l'apprentissage fédéré, combattant efficacement les attaques par porte dérobée.

Nouveau cadre optimise l'apprentissage fédéré pour la confidentialité, l'utilité et le coût.

Explorer les nouvelles tendances et défis de la traduction automatique avec les LLM.

Une nouvelle méthode permet un meilleur partage des données tout en protégeant la vie privée dans le secteur de la santé.

Une nouvelle méthode améliore l'efficacité d'Intel SGX et réduit les problèmes de performance.

L'ancrage du classificateur fédéré améliore la classification des images médicales face aux défis des données.

Un nouveau cadre améliore l'analyse d'images médicales tout en préservant la vie privée des patients.

Un nouveau cadre pour réduire la mémorisation des données sensibles dans les grands modèles de langage.

Une nouvelle méthode améliore l'imagerie médicale en utilisant des données étiquetées et non étiquetées.

La confidentialité différentielle locale protège les identités individuelles tout en permettant l'analyse des données.

Une nouvelle méthode préserve les émotions tout en anonymisant les visages pour une meilleure protection de la vie privée.

Explorer comment les protocoles de population peuvent protéger des données sensibles entre des dispositifs connectés.

Découvrez comment le chiffrement homomorphe protège les données sensibles dans les réseaux de neurones.

Aborder la vie privée et la valorisation des données dans l'entraînement des modèles d'apprentissage automatique.

La recherche s'intéresse à anonymiser la parole tout en gardant le contenu émotionnel.

Une nouvelle méthode pour apprendre à partir de données décentralisées tout en préservant la vie privée.

Une nouvelle méthode améliore la précision des modèles linguistiques sur les appareils personnels.

Protéger les infos perso tout en analysant des données évolutives, c'est super important.

Un aperçu de la croissance de la computation bayésienne et de son intégration avec l'apprentissage machine.

Un aperçu de l'automatisation des demandes d'accès aux données personnelles pour améliorer l'expérience utilisateur.

Les méthodes de reconstruction soulèvent des problèmes de confidentialité en apprentissage automatique, ce qui crée un besoin de protections plus solides.

Découvrez comment dFIL améliore la confidentialité dans l'encodage des instances pour les données sensibles.

Les responsables de la protection des données font face à des défis importants dans la gestion des connaissances pour être conformes.

Les chercheurs trouvent que le bon équilibre de communication est crucial pour la performance des modèles en FL.

Les modèles d'IA montrent du potentiel pour automatiser la création de notes cliniques à partir des conversations entre médecins et patients.

Nouveau cadre améliore la performance des modèles de langage avec un accès ciblé aux connaissances.

Une nouvelle approche pour gérer des données en toute sécurité avec des blockchains personnelles.

Cet article examine les préoccupations liées à la vie privée dans les modèles de langage et propose des méthodes pour y remédier.

FedPDD améliore les systèmes de recommandation tout en protégeant la vie privée des utilisateurs.

Les données synthétiques aident à protéger la vie privée des patients tout en permettant la recherche.

Une nouvelle méthode garantit la vie privée des utilisateurs dans les systèmes de récupération grâce à la génération de requêtes synthétiques.

Examen du rôle de la cryptographie quantique dans la suppression sécurisée des données.

Une méthode pour estimer des moyennes tout en respectant les besoins de vie privée des individus.

Des recherches révèlent de nouvelles méthodes pour cacher des déclencheurs dans les systèmes d'apprentissage profond.

Introduction des techniques d'attaque low-pass pour contourner les défenses des réseaux de neurones.

Un nouveau cadre aide les développeurs à créer des déclarations de confidentialité claires pour les applis.