Articoli più recenti per Privacy dei dati

Scopri l'importanza della visibilità e della governance nelle operazioni degli agenti AI.

Uno studio su come bilanciare la privacy e l'efficienza nell'elaborazione delle immagini mediche.

Creare dati sintetici aiuta i ricercatori a studiare lo stress mantenendo al sicuro le informazioni personali.

Metodi innovativi per stimare matrici di covarianza proteggendo la privacy personale.

Capire l'importanza della revisione dell'IA per un uso tecnologico equo e responsabile.

Un nuovo algoritmo migliora l'analisi dei dati proteggendo la privacy delle persone.

La crittografia omomorfica ibrida offre soluzioni per la privacy nell'analisi dei dati.

Esplorando un nuovo approccio per potenziare la privacy dei dati nel machine learning.

Una nuova vulnerabilità nelle GPU solleva preoccupazioni di sicurezza per le applicazioni di machine learning.

I ricercatori stanno sviluppando dati vocali sintetici per proteggere la privacy nel riconoscimento vocale.

Un nuovo metodo migliora la privacy e l'accuratezza nei modelli basati sui dati.

Questo articolo parla dei rischi per la privacy e la sicurezza nei servizi di intelligenza artificiale basati sul cloud.

Un nuovo approccio migliora l'apprendimento federato affrontando efficacemente i client lenti.

Uno sguardo a come MP-SL aiuta i dispositivi nel machine learning garantendo la privacy.

Questo lavoro migliora i metodi di disapprendimento delle macchine per una migliore privacy dei dati e efficienza.

Affrontare le preoccupazioni sulla privacy con le note cliniche sintetiche nella ricerca sanitaria.

Double-Dip combina l'apprendimento per trasferimento e la randomizzazione per proteggere contro gli attacchi di inferenza di appartenenza.

iDDGT offre una soluzione flessibile per le sfide di ottimizzazione decentralizzata.

Nuovo framework aiuta i modelli generativi a dimenticare dati sensibili mantenendo le prestazioni.

I gemelli digitali umani offrono una vista digitale delle persone, migliorando la sanità e lo sport.

Scopri come DFML trasforma l'apprendimento dei dati senza server centralizzati.

Integrare i Modelli Fondamentali con l'Apprendimento Federato presenta sia rischi che vantaggi.

Uno sguardo ai bi-CryptoNets e al loro impatto sulla privacy dei dati.

Una strategia per migliorare le prestazioni e l'equità nei modelli di apprendimento federato.

I miglioramenti nel federated learning rendono più efficienti e sicuri le applicazioni IoT.

Esplorare metodi per garantire la privacy mentre si calcolano le medie nelle reti di dispositivi.

Un nuovo approccio quantistico offre un calcolo del prodotto scalare sicuro ed efficiente.

Uno sguardo ai rischi per la privacy e alle difese nel Vertical Federated Learning.

Il matcha aiuta gli sviluppatori a creare etichette sulla privacy precise per le app mobili.

Questo articolo parla delle preoccupazioni sulla privacy nell'uso dei modelli GPT nei cloud.

Questa ricerca esamina le vulnerabilità nelle SNN combinate con tecniche di apprendimento federato.

Esplorando l'importanza dell'AI decentralizzata nella privacy dei dati e nelle preoccupazioni etiche.

DSpodFL migliora l'apprendimento federato decentralizzato adattandosi alle differenze tra i client.

Nuove strategie nel Federated Learning migliorano la privacy e l'efficienza nel machine learning.

Un nuovo metodo migliora i registri sanitari elettronici sintetici mantenendo i dettagli temporali.

Questo studio esamina le preoccupazioni sulla privacy nell'apprendimento delle rappresentazioni grafiche e negli attacchi di ricostruzione dei bordi.

Esplorando i rischi degli attacchi di inversione del modello sui dati privati nei modelli di machine learning.

Questo studio esamina un metodo per migliorare la rilevazione delle malattie usando dati multimodali.

Esaminare modelli generativi per dati di espressione genica sintetica garantendo la privacy dei pazienti.

Un'immersione profonda nei principali aspetti e nelle sfide dell'apprendimento federato decentralizzato.