Derniers articles pour Confidentialité des données

Un aperçu des méthodes améliorant la vie privée dans l'apprentissage fédéré tout en garantissant la précision du modèle.

Une méthode qui personnalise les LLMs tout en protégeant les données sensibles des utilisateurs.

Examiner les facteurs qui influencent l'utilisation des applis de santé mobiles selon différents groupes.

Examiner l'anonymat k et les données synthétiques pour la vie privée et la consommation d'énergie dans l'IA.

Un jeu de données unique révèle les habitudes d'utilisation des applis mobiles dans les zones urbaines de France.

Explorer de nouvelles solutions pour des technologies de communication 6G sécurisées et efficaces.

Examiner comment les mesures de confidentialité impactent les limites de fréquentation scolaire et la diversité.

Une nouvelle méthode génère des images synthétiques diverses pour améliorer la reconnaissance faciale.

Apprends comment l'oubli machine protège les infos persos dans les modèles ML.

Oublier, c'est essentiel pour gérer le savoir en IA et la prise de décisions.

Cet article explore les risques et les préoccupations éthiques autour de ChatGPT.

Explore comment les CRSs utilisent le dialogue pour de meilleures recommandations de contenu.

Explore comment les mixnets traçables améliorent la confidentialité dans la gestion des données tout en permettant des requêtes spécifiques.

FedAds propose une solution pour estimer le CVR de manière efficace tout en protégeant la vie privée des utilisateurs.

Cet article examine les menaces dans les systèmes de recommandation fédérés utilisant des informations visuelles.

ResidualPlanner offre des insights rapides et privés à partir des données en utilisant des marges bruyantes.

Une nouvelle méthode prédit la demande de taxis tout en garantissant la confidentialité des données.

SplitAMC améliore la confidentialité des données et réduit la latence dans la classification de modulation.

Explore les méthodes et les défis de l'évaluation des modèles en apprentissage fédéré.

Une nouvelle méthode vérifie la vie privée dans le machine learning en faisant tourner un seul algorithme.

FLARE aide les objets connectés à gérer le dérive conceptuelle tout en garantissant la confidentialité et l'efficacité.

L'assurance paramétrique permet des remboursements plus rapides et plus de transparence grâce à la technologie.

Explore comment l'apprentissage fédéré vertical renforce la confidentialité dans l'apprentissage automatique.

Une nouvelle méthode améliore l'efficacité de l'apprentissage fédéré en ajustant les étapes d'entraînement local.

Améliorer les méthodes de données synthétiques peut rendre les modèles de machine learning plus fiables.

PrivaScissors réduit les fuites de données dans l'inférence collaborative, améliorant la vie privée des utilisateurs.

Une nouvelle méthode améliore la segmentation d'images tout en protégeant la vie privée des patients.

Un truc qui permet d'oublier sélectivement dans les modèles génératifs pour éviter les abus.

Les images synthétiques aident à améliorer la reconnaissance faciale tout en résolvant les problèmes de collecte de données.

Une étude révèle un biais important dans les méthodes de désidentification pour les noms cliniques.

L'apprentissage fédéré propose des solutions pour l'équité dans les prévisions de santé basées sur l'IA.

Une nouvelle méthode pour entraîner des modèles tout en protégeant des données sensibles.

Une méthode solide pour créer des exemples impossibles à apprendre pour la protection des données.

De nouvelles méthodes montrent du potentiel pour protéger les données personnelles contre une utilisation non autorisée.

Une nouvelle méthode améliore le partage de données entre les véhicules connectés en utilisant l'apprentissage fédéré.

Améliorer l'efficacité dans l'apprentissage fédéré avec des stratégies de dispositifs conscientes des risques.

Explorer l'importance de la confiance dans les systèmes d'apprentissage fédéré.

PS-FedGAN améliore la vie privée et l'efficacité dans l'apprentissage fédéré en partageant un minimum de données.

L'apprentissage fédéré améliore l'entraînement des modèles tout en gardant les données des utilisateurs privées.

Le réétiquetage aléatoire propose une méthode pour enlever rapidement des données en apprentissage automatique.