Derniers articles pour Confidentialité des données

De nouveaux algos améliorent la performance des modèles en apprentissage fédéré grâce à un clustering efficace des clients.

Enquête sur la sur-collecte de données personnelles dans les sous-apps de plus en plus populaires de WeChat.

Un nouveau cadre intègre des techniques de confidentialité et de robustesse pour un apprentissage machine fiable.

Une nouvelle approche améliore la confidentialité tout en optimisant la performance des agents collaboratifs.

De nouvelles méthodes améliorent l'apprentissage fédéré personnalisé tout en préservant la vie privée des données.

Apprends comment les modèles de deep learning traitent les images chiffrées tout en gardant la vie privée.

Un nouveau standard pour combiner les types de données tout en mettant l'accent sur la vie privée des utilisateurs.

Une nouvelle méthode protège la vie privée des individus lors du partage de données de mobilité pendant les crises.

Une étude sur le lien entre les modèles ajustés et leurs versions de base.

Fedstellar permet un entraînement sécurisé et efficace des modèles de machine learning sur différents appareils.

Un nouveau cadre améliore l'apprentissage à partir de données limitées dans des environnements fédérés.

Les institutions financières cherchent des moyens sûrs de partager des infos tout en protégeant la vie privée.

HePCo améliore l'apprentissage fédéré continu, en mettant l'accent sur la vie privée et l'efficacité.

Découvrez comment l'apprentissage en périphérie améliore la sécurité et les performances de l'IoT dans les réseaux avancés.

Utiliser à la fois des données privées et publiques renforce l'apprentissage automatique tout en garantissant la confidentialité.

Cet article parle des techniques pour atteindre précision et confidentialité dans les modèles d'apprentissage automatique.

Découvre comment le hashing cuckoo améliore le stockage de données et la vie privée dans les applications cryptographiques.

De nouvelles techniques améliorent la vitesse et l'efficacité des calculs chiffrés avec les GPU.

Un nouveau benchmark appelé FedNoisy aide à gérer les étiquettes bruyantes dans l'apprentissage fédéré.

RQM améliore la vie privée dans l'apprentissage fédéré tout en maintenant l'efficacité du modèle.

Nouveau jeu de données améliore la détection de la violence tout en protégeant la vie privée avec des caméras DVS.

De nouvelles vues aident les relecteurs de code à gérer les données personnelles dans les logiciels de manière efficace.

FDINet propose une nouvelle défense contre les attaques d'extraction de modèle dans les services basés sur le cloud.

Discuter de la nécessité vitale de la régulation de l'IA et ses implications pour la société.

Nouveaux protocoles améliorent la vie privée et l'intégrité des modèles dans l'apprentissage fédéré.

MimiC améliore l'apprentissage fédéré en s'attaquant au problème des abandons pour une meilleure précision du modèle.

Un regard de plus près sur les problèmes avec le jeu de données de référence RVL-CDIP.

La plateforme FLGo simplifie l'apprentissage fédéré pour les chercheurs avec des outils flexibles.

Une nouvelle méthode améliore l'imagerie CT à faible dose tout en protégeant les données des patients.

DOF-ID renforce la détection des menaces sans compromettre la confidentialité des données.

Examen de l'intersection entre la génération d'images par IA et les risques de copyright.

Un nouvel algorithme améliore l'apprentissage décentralisé au fur et à mesure que les données évoluent.

Une nouvelle approche renforce les défenses dans les systèmes d'apprentissage fédéré contre les attaques adverses.

Examiner les impacts de l'apprentissage fédéré sur la généralisation des modèles et la confidentialité des données.

Les SBNN rendent l'apprentissage machine plus efficace pour les appareils avec peu de ressources.

Un aperçu des approches d'apprentissage profond décentralisées qui mettent l'accent sur la confidentialité des données.

Examiner l'équilibre entre la vie privée et l'équité dans les modèles d'apprentissage fédéré.

Une nouvelle méthode améliore la performance de l'apprentissage fédéré en plein milieu des préoccupations concernant la confidentialité des données.

Un nouvel algorithme améliore la résistance de l'apprentissage décentralisé face aux attaques.

Une nouvelle méthode améliore la classification des images médicales tout en protégeant les données des patients.