Articoli più recenti per Privacy dei dati

Un nuovo protocollo garantisce la privacy nei calcoli usando sistemi SN P.

Presentiamo PFL-GAN: una soluzione su misura per la variabilità dei clienti nell'apprendimento federato.

Un nuovo approccio migliora l'apprendimento federato per dati client diversi.

Uno sguardo all'unlearning delle macchine per migliorare i modelli generativi e i loro output.

Un nuovo metodo migliora l'accuratezza del modello attraverso l'apprendimento federato e la regressione kernel.

La privacy differenziale protegge i dati personali durante l'analisi, garantendo la privacy di ognuno.

Uno sguardo all'Apprendimento Profondo Equilibrato Federato e il suo impatto sull'IA.

SANGEA offre un approccio scalabile per creare grafi sintetici di alta qualità.

Una guida all'apprendimento automatico distribuito collaborativo mantenendo la privacy dei dati.

Un nuovo modo per condividere dati in modo sicuro, mantenendo privacy e rispetto delle norme.

Esaminare la fiducia degli utenti in ChatGPT per decisioni legate alla salute.

SHIELD combina analisi genetica con protezioni della privacy per una ricerca sicura.

I dati sintetici aiutano a prevedere i rischi del COVID-19 tra i veterani, garantendo al contempo la privacy.

EFFL punta ad avere una precisione del modello e giustizia uguali tra i clienti nell'apprendimento federato.

Analizzando metodi federati e di consenso per la segmentazione della prostata da scansioni MRI.

Uno studio che confronta vari algoritmi per rilevare le posizioni domestiche usando i dati dello smartphone.

Esaminando metodi per proteggere la privacy nel machine learning.

Esaminando come i modelli di linguaggio possono aiutare nel supporto e nel trattamento della salute mentale.

Un nuovo metodo migliora la segmentazione MRI adattando i modelli senza bisogno di etichettatura estesa.

Un nuovo modo per aumentare l'efficienza del machine learning nelle comunicazioni satellitari.

La ricerca mette in evidenza l'importanza di risposte personalizzate nei agenti di ricerca conversazionale.

Un nuovo approccio garantisce la selezione dei partecipanti nell'apprendimento federato per proteggere la privacy.

Questo documento presenta un metodo per migliorare l'equità nell'apprendimento federato proteggendo al contempo la privacy dei dati.

Nuovo metodo permette agli agenti di imparare insieme mentre gestiscono influenze inaffidabili.

Un nuovo modo per migliorare l'apprendimento federato tra una partecipazione degli utenti disomogenea.

DP-ZO bilancia privacy e prestazioni nell'addestramento dei modelli linguistici.

Un nuovo metodo per migliorare la comunicazione in FedRec proteggendo i dati degli utenti.

Nuove metriche sul tono della pelle puntano a migliorare l'equità e la privacy nei sistemi di riconoscimento facciale.

Esplorando i fattori che influenzano la fiducia nei assistenti vocali AI in ambito sanitario.

Scopri come il machine unlearning aiuta a proteggere la privacy degli utenti rimuovendo l'influenza dei dati.

Un nuovo modo per migliorare le prestazioni del federated learning garantendo la privacy dei dati.

Brave offre privacy e protezione dalle minacce nell'apprendimento federato peer-to-peer.

Un approccio formale per identificare le violazioni della privacy negli algoritmi di calcolo quantistico.

Uno sguardo al Federated Learning e all'Unlearning per la privacy dei dati.

AdaFed migliora l'equità nell'apprendimento federato mantenendo la precisione del modello.

Uno sguardo alle preoccupazioni sulla sicurezza legate ai grandi modelli linguistici.

Esaminare l'impatto della pandemia sui ricercatori di ingegneria del software.

Un approccio innovativo usa i dati di guida mentre protegge la privacy.

Migliorare l'efficienza dell'addestramento dei modelli e la privacy nell'apprendimento federato attraverso la selezione dei coreset.

Un metodo per migliorare la qualità della traduzione mantenendo la privacy nella comunicazione multilingue.