Articoli più recenti per Privacy dei dati

Un nuovo algoritmo migliora l'efficienza dell'apprendimento federato garantendo la privacy dei dati.

Esplorare come le informazioni causali strutturali possono migliorare la qualità dei dati sintetici.

Esaminare come gli algoritmi possano proteggere la privacy mentre ottimizzano le decisioni nella medicina personalizzata.

Testare i LLM è fondamentale per avere applicazioni di intelligenza artificiale sicure ed efficaci.

Esaminando le opinioni sulla donazione dei dati sanitari dopo la morte.

Un nuovo framework per analizzare flussi di dati garantendo la privacy degli utenti.

Un nuovo metodo migliora l'apprendimento personalizzato per i modelli di linguaggio di grandi dimensioni.

Esplorare le minacce alla privacy nell'elaborazione delle immagini usando modelli di diffusione e gradienti trapelati.

Analizzando la privacy dei dati attraverso l'inferenza bayesiana con vincoli.

Il machine unlearning offre un modo per migliorare la privacy dei dati nei modelli di machine learning.

Nuovo metodo punta sui cambiamenti di ritmo per attacchi vocali furtivi.

Esplorare l'importanza dei metodi di disapprendimento nel moderno machine learning.

Nuovo metodo migliora la condensazione dei dataset per migliori risultati nel machine learning.

Esplorare la sinergia tra l'apprendimento federato e l'intelligenza collettiva per un'AI migliore.

Il framework HiFGL affronta le sfide nell'apprendimento collaborativo orientato alla privacy.

Un modo nuovo per creare dati sintetici senza preoccupazioni per la privacy.

Un nuovo metodo migliora l'apprendimento federato per dati multimodali nonostante le informazioni mancanti.

Scopri come il target unlearning protegge la privacy permettendo ai modelli di dimenticare informazioni specifiche.

Un nuovo metodo per verificare l'unlearning delle macchine in modo efficace e sicuro.

Questo metodo rimuove effettivamente materiale protetto da copyright pur mantenendo le prestazioni del modello.

Questo articolo parla di feature unlearning e del suo impatto sulla privacy e sull'equità nel machine learning.

Questo articolo parla del soft prompting come metodo per l'unlearning delle macchine nei LLM.

P3GNN migliora il rilevamento APT proteggendo la privacy dei dati nelle reti SDN.

Esaminare la memorizzazione nei modelli di completamento del codice e le sue implicazioni sulla privacy.

Nuovi metodi rivelano le difficoltà nel disimparare conoscenze dai modelli linguistici.

I sistemi di raccomandazione influenzano l'esperienza degli utenti, ma hanno alcune preoccupazioni importanti riguardo a giustizia e privacy.

Un metodo per mantenere la privacy mentre si condividono statistiche sul traffico urbano.

Un framework per migliorare il rilevamento degli APT proteggendo la privacy.

LDMeta migliora la privacy e l'efficienza nei metodi di apprendimento distribuito.

Lo studio esamina come le pubblicità degli influencer influenzano le percezioni sui VPN e le credenze sulla sicurezza online.

Esplorando la sinergia tra i modelli di base e l'apprendimento federato per migliorare le applicazioni di intelligenza artificiale.

Un nuovo metodo migliora l'apprendimento federato usando solo un'immagine per l'addestramento.

Due robot migliorano la navigazione nei labirinti attraverso esperienze di apprendimento condiviso, mantenendo la privacy dei dati.

Nuovo metodo combina l'apprendimento federato con modelli di diffusione per la generazione di immagini incentrata sulla privacy.

Un metodo per migliorare la privacy dei dati nell'apprendimento federato rimuovendo influenze specifiche dei dati.

Snap aiuta i grandi modelli linguistici a disimparare informazioni specifiche mantenendo le loro prestazioni.

WavRx analizza il linguaggio per la salute proteggendo la privacy, mostrando risultati diagnostici promettenti.

Un nuovo modello migliora i dati EHR sintetici per applicazioni sanitarie migliori.

Questo articolo esplora come la privacy differenziale protegge i dati ECG nella sanità.

Fed-Grow permette agli utenti di costruire modelli più grandi insieme, proteggendo la privacy.