Derniers articles pour Confidentialité des données

Examiner comment le fine-tuning augmente le risque de révéler des données d'entraînement sensibles.

Un aperçu des attaques de reconstruction et de leur impact sur la vie privée des données dans l'apprentissage automatique.

Une méthode pour une analyse collaborative sans partager de données sensibles sur les patients.

Un nouveau système permet un entraînement des CNN plus rapide sur des appareils avec une mémoire limitée.

Examiner les défis et solutions dans l'apprentissage machine collaboratif pour une meilleure vie privée et sécurité.

Une nouvelle méthode pour améliorer les modèles d'apprentissage automatique affectés par des données de mauvaise qualité.

Une nouvelle attaque par cache exploite les politiques de remplacement pour fuites d'infos sensibles.

Cet article examine l'effacement machine dans les grands modèles de langage.

CoDream permet aux organisations de collaborer en toute sécurité sans partager de données sensibles.

Découvrez comment ESFL améliore l'efficacité de l'apprentissage automatique tout en protégeant la vie privée.

Nouvelles méthodes pour protéger les données sensibles contre l'accès non autorisé dans l'apprentissage automatique.

Adressez les préoccupations en matière de confidentialité dans l'apprentissage automatique avec des techniques efficaces.

Explore comment les jeux de données synthétiques améliorent la performance des modèles de machine learning et la sélection des modèles.

S'attaquer au défi de la vie privée dans la prise de décision basée sur les données pour la santé.

Explorer comment des tailles de lots plus grandes améliorent la confidentialité différentielle en apprentissage automatique.

FedReview améliore l'apprentissage fédéré en rejetant les mises à jour de modèles nuisibles.

Examiner les défis de la confidentialité différentielle dans les systèmes d'apprentissage en ligne.

Explorer les risques de confidentialité et de sécurité liés aux grands modèles de langage.

FedUV améliore les performances des modèles en apprentissage fédéré sur des données non-IID.

Exploration des méthodes de confidentialité différentielle locale pour une analyse de graphes sécurisée.

AerisAI améliore la collaboration en IA tout en protégeant la vie privée des données grâce à des méthodes décentralisées.

Explorer des méthodes de confidentialité différentielle dans l'apprentissage par renforcement pour protéger les données sensibles.

De nouvelles méthodes sécurisent les données en IA tout en garantissant des calculs efficaces.

Cet article présente une méthode pour des clients avec des objectifs variés dans l'apprentissage fédéré de bandits.

Discuter de la vie privée et de l'équité dans l'apprentissage automatique à travers la vie privée différentielle et le risque du pire groupe.

De nouveaux algorithmes améliorent la confidentialité et la précision dans les scénarios de données rares.

Une nouvelle méthode combine l'apprentissage fédéré et le calcul sécurisé pour protéger la vie privée des données de regard.

BasedAI utilise le cryptage pour garantir la confidentialité tout en améliorant les performances du modèle de langage.

Un aperçu de comment l'analyse de données peut préserver la vie privée des individus.

Une méthode pour enlever des compétences indésirables des modèles de langue tout en gardant les fonctions essentielles intactes.

Une nouvelle méthode améliore les prévisions de charge énergétique tout en garantissant la confidentialité des données.

Asyn2F améliore l'apprentissage fédéré asynchrone pour un meilleur entraînement des modèles et la protection des données.

Une nouvelle approche améliore la précision de l'apprentissage automatique tout en garantissant la confidentialité des données.

Une nouvelle approche de la représentation des images avec confidentialité différentielle grâce au sous-titrage.

Une nouvelle méthode améliore l'efficacité de l'apprentissage fédéré en utilisant des stratégies de mise à jour des clients.

Examiner l'unlearning fédéré et ses défis en matière de confidentialité dans l'apprentissage automatique.

Des recherches montrent comment les LLM peuvent révéler des données d'entraînement, soulevant des inquiétudes liées à la vie privée.

Cet article parle des solutions de confidentialité pour les problèmes de Max Cover et Set Cover.

Un aperçu des risques de l'empoisonnement des données dans les systèmes d'apprentissage fédéré.

Un nouveau cadre fusionne des gros et des petits modèles pour privilégier la protection des données des utilisateurs.