Derniers articles pour Confidentialité des données

PPA-AFL améliore la confidentialité des données dans l'apprentissage machine collaboratif entre appareils.

Explorer l'apprentissage fédéré et la méthode des points intérieurs pour un entraînement de modèle efficace.

Un cadre pour développer des politiques personnalisées en utilisant des données d'observation tout en garantissant la confidentialité.

Une méthode pour utiliser les LLM de façon sécurisée et efficace tout en protégeant la vie privée des utilisateurs.

KARD améliore les petits modèles en intégrant des connaissances externes pour un meilleur raisonnement.

Examiner comment les classificateurs sélectifs préservent la vie privée et la précision des prédictions.

Examiner l'interaction entre les méthodes de communication et la vie privée dans les espaces virtuels.

Un aperçu de comment la vie privée différentielle protège les infos individuelles dans l'analyse de données.

Ce document discute des méthodes pour améliorer l'efficacité de la communication dans l'apprentissage séparé tout en préservant la performance du modèle.

Une plongée profonde dans les attaques de morphing facial et les méthodes de détection.

Un aperçu de l'optimisation convexe différentiellement privée pour la protection des données dans l'apprentissage automatique.

Une étude sur l'efficacité des attaques de quartier pour révéler des données d'entraînement.

Examiner le conflit entre l'accès aux données et la confidentialité dans la recherche.

Un nouveau cadre pour l'apprentissage fédéré s'adapte aux données changeantes tout en garantissant la vie privée.

Ce papier examine l'importance de l'indistinguabilité statistique dans les algorithmes d'apprentissage.

Examiner l'efficacité et les défis des ensembles de données non apprenables pour protéger les infos privées.

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

Une nouvelle méthode garantit la confidentialité dans la classification de la parole sans sacrifier la performance.

Utiliser l'apprentissage fédéré pour améliorer l'analyse vocale pour le diagnostic de Parkinson dans plusieurs langues.

De nouveaux modèles améliorent la communication air-sol en utilisant l'apprentissage fédéré et des réseaux neuronaux génératifs.

Une méthode pour entraîner des modèles qui protège la vie privée des données tout en améliorant la collaboration.

Un nouveau cadre améliore la vitesse et l'efficacité de l'apprentissage fédéré tout en protégeant la vie privée.

Équilibrer la vie privée des utilisateurs et la prise de décision en IA avec des techniques de confidentialité différentielle.

Un nouveau cadre améliore l'analyse des données de télédétection tout en préservant la vie privée.

Cet article examine les effets des modèles de confidentialité sur la surveillance des niveaux de CO2 dans les bâtiments intelligents.

Cet article examine les attaques d'inférence d'attributs sur les GNN et leur impact sur la vie privée.

Cet article explore les avantages et les défis de l'apprentissage fédéré décentralisé.

Combiner l'apprentissage fédéré et le MIMO améliore la vie privée et l'efficacité dans les systèmes sans fil.

Un aperçu pour garantir la fiabilité des structures de données auditées.

FedMSA améliore l'apprentissage fédéré en optimisant la communication et l'efficacité dans l'entraînement décentralisé.

Traiter la confidentialité et la précision dans l'analyse des données synthétiques grâce à l'inférence bayésienne.

De nouvelles méthodes améliorent la vie privée tout en préservant le sens et la structure du texte.

De nouvelles méthodes améliorent la précision de la reconnaissance faciale tout en prenant en compte les préoccupations de confidentialité.

Un nouveau cadre améliore la livraison de contenu dans les zones urbaines animées.

Une étude évalue les risques de confidentialité des modèles génératifs dans le partage de données médicales.

Le cadre vise à protéger la vie privée des patients lors du partage de données médicales synthétiques.

Le cadre GPT-FL améliore l'apprentissage fédéré en utilisant des données synthétiques.

Une méthode pour retirer des données des modèles de machine learning tout en garantissant la vie privée.

Une nouvelle méthode améliore la confidentialité et la précision pour les données de haute dimension.

Explorer l'apprentissage préservant la vie privée tout en s'attaquant aux problèmes de communication dans l'apprentissage par renforcement fédéré.