Articoli più recenti per Privacy dei dati

PFELS combina privacy ed efficienza energetica nell'apprendimento federato.

Un nuovo metodo migliora il monitoraggio del comportamento dei conducenti proteggendo la privacy.

Esaminare la privacy differenziale locale e le sue vulnerabilità nella protezione dei dati degli utenti.

TimelyFL migliora l'apprendimento federato ottimizzando i contributi dei dispositivi e migliorando la precisione del modello.

FedLSM migliora la collaborazione nell'imaging medico affrontando le discrepanze nelle etichette.

FedXGBllr migliora l'apprendimento federato aumentando la privacy e l'efficienza nella comunicazione.

Nuovo sistema punta a proteggere l'anonimato dei pazienti nei dati ospedalieri per la ricerca sull'IA.

Bilanciare i vantaggi della condivisione dei dati con i metodi di protezione della privacy personale.

Un nuovo approccio garantisce la privacy dei dati senza compromettere le prestazioni del modello.

Esplora nuovi strumenti per l'apprendimento decentralizzato nel machine learning.

Un nuovo metodo protegge la privacy garantendo un consenso preciso tra gli agenti nelle reti.

DRIFT migliora i sistemi di raccomandazione garantendo la privacy degli utenti attraverso l'elaborazione dei dati localmente.

Uno sguardo ai metodi per aumentare la partecipazione dei dispositivi nell'apprendimento federato.

Esaminando l'ottimizzazione convessa stocastica differenzialmente privata in contesti diversi.

Un nuovo modello migliora la privacy e l'accuratezza nelle reti neurali a grafo.

Uno sguardo ravvicinato all'uso dei dati dei clienti e delle politiche sulla privacy di Booking.com.

Esaminando attacchi alla privacy nel Split Learning e un nuovo metodo protettivo.

Scopri la Distribuzione di Chiavi Quantistiche e il suo ruolo nella condivisione sicura dei dati.

DPAF offre immagini sintetiche di alta qualità garantendo al contempo forti protezioni della privacy.

Questo articolo parla dei metodi per rimuovere le backdoor dai modelli di apprendimento federato.

Strategie per proteggere la privacy degli utenti mentre si ottimizza la comunicazione nell'analisi dei dati.

Esplorare il bilancio tra accesso ai dati aperti e rischi per la privacy personale.

La ricerca punta a prevedere il comportamento di memorizzazione nei modelli linguistici per un migliore controllo della privacy.

Scopri i pericoli degli attacchi di avvelenamento dei modelli e il loro impatto sull'apprendimento federato.

Questa ricerca presenta un metodo per migliorare la comunicazione nell'apprendimento federato.

Un nuovo metodo per creare dati GPS sintetici garantendo la privacy degli utenti.

Un nuovo metodo migliora l'addestramento dei modelli proteggendo la privacy dei pazienti.

Il Federated Learning offre un modo per migliorare l'uso dei dati sanitari proteggendo la privacy dei pazienti.

Analizzando l'uso dei dataset nella biometria vocale si rivelano preoccupazioni significative riguardo al bias e alla privacy.

Esplorare metodi per le organizzazioni per condividere dati sensibili proteggendo la privacy.

Migliorare le prestazioni del modello mentre si protegge la privacy degli utenti nel federated learning.

Uno studio su come LDP influisce sulla giustizia nel machine learning.

Scopri come WFL migliora l'uso dei dati senza compromettere la privacy.

Esplorare i rischi per la privacy nell'apprendimento auto-supervisionato a causa della memorizzazione non intenzionale.

Questo documento presenta un metodo per migliorare la comunicazione nell'apprendimento federato.

Questo articolo esplora la k-anonimato e il suo impatto sulla privacy in rete.

Un nuovo metodo migliora i modelli usando il feedback degli utenti, proteggendo allo stesso tempo la privacy.

Una strategia per scegliere gli ospedali migliora i modelli predittivi nella sanità.

FedGrad offre un meccanismo di difesa per l'apprendimento federato, contrastando efficacemente gli attacchi backdoor.

Nuovo framework ottimizza l'apprendimento federato per privacy, utilità e costi.