Derniers articles pour Confidentialité des données

Une nouvelle méthode pour analyser les politiques de confidentialité en utilisant le crowdsourcing et l'apprentissage actif.

ADVENT détecte les attaques dans les VANET, garantissant un transport plus sûr grâce à une surveillance en temps réel efficace.

Un nouvel algorithme qui améliore la personnalisation des modèles tout en respectant la vie privée des données.

Une nouvelle méthode améliore l'apprentissage fédéré en réduisant les charges de communication et en s'attaquant à la dérive des clients.

L'unlearning contrastif enlève efficacement l'influence des données tout en préservant la performance du modèle.

Examiner les risques d'intégrer des modèles de base dans des systèmes d'apprentissage fédéré.

Les méthodes de désapprentissage machine sont super importantes pour respecter les droits à la vie privée des données.

Un nouvel algorithme améliore l'analyse de régression tout en priorisant la confidentialité des données.

CleanSheet fait avancer le détournement de modèles sans changer les processus d'entraînement.

Un aperçu de comment la confidentialité différentielle protège la vie privée des données individuelles.

Une nouvelle méthode améliore l'efficacité de l'apprentissage fédéré tout en préservant la vie privée des données.

Un aperçu des risques de sécurité auxquels sont confrontés les appareils IoT renforcés par l'apprentissage automatique.

Découvrez le besoin de visibilité et de gouvernance dans les opérations des agents IA.

Une étude sur l'équilibre entre la vie privée et l'efficacité dans le traitement d'images médicales.

Créer des données synthétiques aide les chercheurs à étudier le stress tout en protégeant les infos perso.

Méthodes innovantes pour estimer les matrices de covariance tout en protégeant la vie privée des personnes.

Comprendre l'importance de l'audit de l'IA pour une utilisation équitable et responsable de la technologie.

Un nouvel algorithme améliore l'analyse des données tout en protégeant la vie privée des individus.

Le chiffrement homomorphe hybride offre des solutions pour la confidentialité dans l'analyse des données.

Explorer une nouvelle approche pour améliorer la confidentialité des données en apprentissage automatique.

Une nouvelle vulnérabilité des GPU soulève des inquiétudes en matière de sécurité pour les applications d'apprentissage automatique.

Des chercheurs bossent sur des données vocales synthétiques pour protéger la vie privée dans la reconnaissance vocale.

Une nouvelle méthode améliore la vie privée et la précision dans les modèles basés sur les données.

Cet article parle des risques de confidentialité et de sécurité dans les services d'IA basés sur le cloud.

Une nouvelle approche améliore l'apprentissage fédéré en s'attaquant efficacement aux clients lents.

Un aperçu de comment MP-SL aide les appareils dans l'apprentissage machine tout en garantissant la vie privée.

Ce taf améliore les méthodes de désapprentissage machine pour une meilleure vie privée des données et plus d'efficacité.

Aborder les préoccupations de confidentialité avec des notes cliniques synthétiques dans la recherche en santé.

Double-Dip combine l'apprentissage par transfert et la randomisation pour se protéger contre les attaques par inférence de membres.

iDDGT propose une solution flexible pour les défis d'optimisation décentralisée.

Un nouveau cadre aide les modèles génératifs à oublier les données sensibles tout en maintenant leurs performances.

Les jumeaux numériques humains offrent une vue numérique des personnes, améliorant la santé et le sport.

Découvrez comment DFML transforme l'apprentissage des données sans serveurs centraux.

Intégrer des modèles de base avec l'apprentissage fédéré présente à la fois des risques et des avantages.

Un aperçu des bi-CryptoNets et de leur impact sur la confidentialité des données.

Une stratégie pour améliorer la performance et l'équité dans les modèles d'apprentissage fédéré.

Les améliorations dans l'apprentissage fédéré augmentent l'efficacité et la confidentialité pour les applications IoT.

Explorer des méthodes pour garantir la confidentialité tout en calculant des moyennes dans les réseaux de dispositifs.

Une nouvelle approche quantique offre un calcul du produit scalaire à la fois sécurisé et efficace.

Un aperçu des risques de confidentialité et des défenses dans l'apprentissage fédéré vertical.