Derniers articles pour Confidentialité des données

QUEEN propose une protection en temps réel contre les attaques d'extraction de modèle en apprentissage profond.

Affiner des gros modèles de langage directement sur les smartphones tout en protégeant les données des utilisateurs.

Une nouvelle méthode pour récupérer des données efficacement dans des environnements décentralisés.

Un cadre pour le partage sécurisé des informations de santé tout en protégeant la vie privée des patients.

Cet article explore les avantages de l'utilisation du FP8 dans l'apprentissage fédéré.

Un aperçu de comment les modèles de langage peuvent fuir des données sensibles.

Cet article examine les risques liés aux LLM et propose des moyens d'améliorer la sécurité.

Explorer les défis juridiques posés par la rapide évolution de l'IA générative.

Un nouveau cadre améliore l'apprentissage fédéré tout en garantissant la confidentialité des données.

Cette étude évalue des modèles avancés pour générer de fausses données de voyage et leurs applications pratiques.

Venomancer est une attaque discrète en backdoor sur les systèmes d'apprentissage fédéré.

CLAMP-ViT propose une nouvelle méthode pour compresser les transformers de vision en utilisant des données synthétiques.

Un système de détection renforce la sécurité des véhicules contre les menaces cybernétiques en utilisant des techniques avancées.

Une nouvelle technologie radar surveille le rythme cardiaque pendant le sommeil et la méditation sans inconfort.

Zero-X améliore la cybersécurité des véhicules connectés contre les menaces émergentes.

Un nouveau cadre améliore l'efficacité de l'apprentissage fédéré sur le edge en optimisant les ressources et les données.

Examen des attaques d'inférence d'appartenance sur les modèles de prévision de séries chronologiques dans le secteur de la santé.

Améliorer la sécurité des smart grids en utilisant des honeypots et des approches d'apprentissage fédéré.

Un aperçu des méthodes pour protéger les infos perso tout en gardant l'utilité des données.

Une méthode pour estimer les adhésions à une communauté tout en protégeant la vie privée des individus.

AntibotV lutte contre les menaces de malwares de bots dans les voitures connectées grâce à une surveillance avancée.

Les villes obtiennent des données de transport essentielles tout en s'attaquant aux préoccupations de confidentialité.

Cette méthode améliore l'efficacité de la communication dans l'apprentissage fédéré tout en préservant la confidentialité des données.

Les inquiétudes grandissent concernant les attaques par porte dérobée dans les modèles de langage, affectant la sécurité et la fiabilité.

Une méthode pour calculer des moyennes tout en gardant les données des nœuds privées.

Examiner l'efficacité de la confidentialité différentielle pour protéger les identités individuelles dans les données du SOEP.

Un nouveau modèle améliore la détection en temps réel des cyberattaques sur les réseaux blockchain.

FedSat s'attaque aux défis de données dans l'apprentissage fédéré, garantissant la vie privée et une meilleure performance.

Une nouvelle méthode pour améliorer l'échantillonnage en apprentissage automatique avec une meilleure confidentialité.

MSfusion permet aux appareils avec peu de ressources de former des grands modèles de manière collaborative.

Une nouvelle méthode améliore la performance du modèle sur des données jamais vues.

AFIND+ améliore l'apprentissage fédéré décentralisé en optimisant la sélection des voisins et l'agrégation des mises à jour.

Un nouvel outil automatise l'anonymisation des dossiers médicaux pour protéger la vie privée.

Examinez les différentes attaques de jailbreak sur les modèles de langage et leurs défenses.

Une nouvelle approche améliore l'apprentissage fédéré en générant des données synthétiques tout en protégeant la vie privée.

Cette étude examine comment la disposition du réseau affecte l'apprentissage fédéré décentralisé en présence de menaces byzantines.

pFedDIL améliore l'apprentissage automatique en gardant des connaissances tout en s'adaptant à de nouvelles tâches.

La recherche explore l'IA générative pour simuler les structures internes de la bouche en utilisant les mouvements du visage.

Analyser les vulnérabilités des LLMs à cause des données de préférence humaine.

Un nouveau cadre pour la communication entre agents axé sur la confidentialité et la cohérence.