Articoli più recenti per Privacy dei dati

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.

KALM4Rec migliora le raccomandazioni per i nuovi utenti usando metodi basati su parole chiave.

Scopri come la minimizzazione dei dati protegge la privacy in mezzo alla crescente raccolta di dati.

Nuovi metodi riducono i rischi di memorizzazione nell'imaging medico con modelli di diffusione.

FeMLoc migliora la localizzazione indoor usando tecniche di apprendimento federato e meta-apprendimento.

Questo articolo parla dell'impatto della privacy differenziale sulla fiducia nel censimento degli Stati Uniti.

Un nuovo metodo per migliorare l'apprendimento continuo senza esempi tracciando i cambiamenti nella rappresentazione delle classi.

FedGELA affronta le sfide nell'apprendimento federato con dati parzialmente disgiunti.

Un nuovo metodo per l'apprendimento federato che affronta le sfide dell'apprendimento continuo.

FedLESAM affronta le sfide dei dati nell'apprendimento federato per migliorare le prestazioni del modello.

Esplorare metodi per proteggere le informazioni dei pazienti nella ricerca clinica.

FedMR affronta le sfide nell'apprendimento federato con dati di classi parziali, migliorando le prestazioni del modello.

PadFL migliora la condivisione dei modelli e l'efficienza tra diverse capacità dei dispositivi.

Il Federated Learning allena i modelli mantenendo i dati degli utenti privati e al sicuro.

Gli strumenti di intelligenza artificiale supportano i negoziatori in ambienti complessi, migliorando l'efficienza e il processo decisionale.

Un metodo per riscrivere testi proteggendo la privacy delle persone.

Un nuovo approccio migliora la sicurezza e le prestazioni nell'apprendimento federato con blockchain.

Uno studio rivela come le app mobili influenzano il comportamento di viaggio.

Esaminare i contributi e le vulnerabilità dei clienti nei sistemi di apprendimento federato.

Un metodo per l'apprendimento automatico collaborativo mantenendo i dati privati.

Nuovi metodi per la collaborazione che preserva la privacy nell'apprendimento federato verticale.

Esplorare il controllo federato nel reinforcement learning affinché gli agenti possano lavorare insieme in modo sicuro.

Dimenticare migliora l'apprendimento negli esseri umani e nei modelli di macchina, aumentando l'adattabilità e le prestazioni.

Un nuovo metodo migliora la privacy dei dati per l'analisi dei dati discreti.

SpaFL migliora la comunicazione e il calcolo nel Federated Learning, mantenendo sicuri i dati personali.

LayerCAM-AE migliora il rilevamento di aggiornamenti malevoli nell'apprendimento federato, mantenendo la privacy dei dati.

La ricerca punta a bilanciare la privacy e l'accuratezza nei metodi di stima della media vettoriale.

I controfattuali rivelano informazioni interessanti ma pongono rischi per la privacy nel machine learning.

Esaminare i rischi e l'abuso dei grandi modelli di linguaggio nel cybercrimine.

Un nuovo metodo affronta gli errori wireless nell'apprendimento federato per i dispositivi IoT.

Questo articolo parla di privacy e pregiudizi negli algoritmi predittivi per dati sensibili.

Un nuovo metodo migliora le previsioni del modello per una migliore adattamento senza dati sorgente.

Un nuovo framework migliora la creazione di dati sintetici proteggendo le informazioni personali.

Un nuovo approccio multi-server migliora l'efficienza e la velocità dell'apprendimento federato.

Presentiamo PrivacyRestore per proteggere i dati degli utenti mentre si usano modelli di linguaggio grandi.

Questo studio affronta le difficoltà nel disimparare i dati dai modelli di machine learning.

Metodi per stimare le caratteristiche di un dataset mantenendo al sicuro i dati individuali.

Nuovo metodo migliora l'apprendimento federato proteggendo la privacy degli utenti.

Aumentare i turni di comunicazione riduce i costi e migliora le prestazioni del modello nell'apprendimento federato.