Articoli più recenti per Privacy dei dati

Un nuovo approccio migliora le prestazioni e l'equità nell'apprendimento federato.

Nuovo framework aiuta a proteggere le statistiche di sintesi sensibili durante la condivisione dei dati.

Introducendo un nuovo modo per valutare i rischi per la privacy nei modelli di machine learning.

Scopri come l'apprendimento distribuito può migliorare l'efficienza del machine learning e l'addestramento dei modelli.

Una panoramica su come l'anonimizzazione protegge l'identità personale mentre si usano i biometrics.

Introduzione di un framework per bilanciare la privacy dei dati e l'utilità.

Un nuovo metodo per proteggere la privacy nei modelli di testo-in-immagine.

Esaminando il legame tra la privacy differenziale locale e l'equità nei sistemi di ML.

Nuovi metodi migliorano l'audit della privacy, concentrandosi sui modelli di stato nascosto nel machine learning.

Migliorare l'apprendimento distribuito attraverso tecniche di clipping adattive e robuste.

Un nuovo metodo migliora la rimozione dei dati nei modelli di grafi dinamici, garantendo allo stesso tempo la privacy.

L'inferenza federata bayesiana consente un'analisi di sopravvivenza che rispetta la privacy nella ricerca sul cancro.

FedSC migliora l'addestramento dei modelli mantenendo la privacy degli utenti nell'apprendimento federato.

Nuove tecniche migliorano la scalabilità nel machine learning differenzialmente privato.

L'approccio basato su cohort migliora l'efficienza e l'accuratezza nei sistemi di Federated Learning.

Scopri come i Piani Comportamentali Federati migliorano la comprensione delle azioni dei clienti nel federated learning.

Introducendo Allineamento da Dimostrazioni per modelli linguistici sicuri ed efficaci.

La ricerca mostra vulnerabilità nell'approccio del federated learning alla privacy del testo.

Esplorando il metodo NatMU per un'efficace disapprendimento della macchina e privacy dei dati.

Disimparare migliora la privacy nei sistemi di raccomandazione mantenendo alta la qualità delle raccomandazioni.

I dati sintetici offrono soluzioni promettenti per le sfide nell'imaging medico.

Esplorando l'impatto dell'IA su efficienza, privacy e sicurezza nei sistemi vitali.

Un nuovo metodo riduce i carichi di comunicazione nell'apprendimento federato mentre migliora la privacy.

Un nuovo metodo migliora l'accuratezza delle previsioni proteggendo la privacy degli utenti nei modelli cloud.

Client2Vec migliora l'apprendimento federato creando identificatori unici per i dati degli utenti.

Un nuovo metodo migliora gli attacchi di jailbreak su modelli AI avanzati usando il gioco di ruolo.

Scopri un metodo per l'ottimizzazione decentralizzata che protegge i dati degli utenti mentre migliora l'efficienza.

Esplorando il mix tra apprendimento orientato alla privacy e tecniche di generazione dei dati.

Scopri come AltGDmin affronta i dati mancanti in un contesto federato.

Un nuovo metodo per migliorare l'apprendimento federato tramite la Modellazione Additiva Multi-Livello.

Esplorare nuovi modi per garantire la privacy nelle comunicazioni wireless.

Un nuovo metodo migliora l'equità nell'apprendimento federato tra comunità diverse.

La formazione di LLM open-source migliora la modellazione di ottimizzazione per le applicazioni industriali.

Sfruttare modelli a uscita anticipata per un federated learning efficiente nei sistemi ASR.

Esplora il ruolo fondamentale del controllo degli accessi nell'edge computing.

FedHPL migliora l'efficienza dell'apprendimento federato mantenendo la privacy dei dati su tutti i dispositivi.

Un nuovo metodo permette il trasferimento dei moduli LoRA con dati sintetici, riducendo al minimo la dipendenza dai dati originali.

Questo studio migliora la sicurezza del machine learning quantistico contro attacchi avversari tramite canali di rumore e metodi di privacy.

Fast-FedUL offre metodi rapidi per rimuovere i dati nell'apprendimento federato, garantendo al contempo la privacy.

Nuovi metodi migliorano i processi di rimozione dei dati nei modelli di machine learning.