Articoli più recenti per Privacy dei dati

Un modo per affrontare le preoccupazioni sulla privacy e l'equità nel machine learning.

Un nuovo metodo che usa le TEE per proteggere i modelli di machine learning nell'apprendimento federato.

Imparare dal Drift migliora le performance del modello nel federated learning con dati diversi.

FedDIP ottimizza la comunicazione nel federated learning attraverso potatura dinamica e regolarizzazione.

Questo articolo esamina il ruolo delle PET nel rispetto della privacy dei dati e le loro applicazioni.

Esaminando le complessità della privacy dei dati e del disimparare nel machine learning.

FedJudge offre un approccio incentrato sulla privacy per l'addestramento dei modelli di linguaggio legale.

Questo lavoro parla della generazione di dati sintetici usando la privacy differenziale per studi economici.

Un metodo che combina il Split Learning con la crittografia omomorfa migliora la privacy nell'apprendimento automatico.

Un metodo per ottimizzare le impostazioni della privacy per una migliore protezione dei dati e utilità.

Un nuovo framework garantisce che le risposte dei dati sintetici siano affidabili per la ricerca.

Un framework per garantire la privacy degli utenti nei GNN mantenendo l'accuratezza.

Uno sguardo alle sfide nell'Apprendimento Federato dagli attacchi di ricostruzione dei dati.

Un metodo che permette l'apprendimento automatico su dati criptati per proteggere la privacy degli utenti.

Uno studio per capire qual è l'opzione migliore mantenendo la privacy dei dati.

Questo metodo migliora le raccomandazioni proteggendo la privacy dei dati degli utenti.

Esplorare modi per migliorare la condivisione dei dati garantendo la privacy degli utenti.

Esplorare metodi di privacy differenziale per ottenere insights sicuri sui dati.

Questo articolo parla di un framework per gestire la privacy in scenari con più analisti.

Come gli strumenti linguistici avanzati stanno trasformando l'analisi delle politiche sulla privacy.

FedGKD migliora l'apprendimento federato per le Reti Neurali Grafiche ottimizzando l'estrazione delle caratteristiche dei compiti.

Scopri i rischi di usare plugin sulle piattaforme LLM.

Gli attacchi acustici minacciano la sicurezza dei dati catturando il suono delle tastiere.

Introducendo un protocollo per la previsione di collegamenti che preserva la privacy in grafi distribuiti.

Esplorando come gli attaccanti sfruttano i modelli di linguaggio grandi per estrarre conoscenze.

Un nuovo metodo protegge i dati sensibili durante l'addestramento dei modelli di machine learning.

DFedADMM e DFedADMM-SAM migliorano l'addestramento dei modelli garantendo la privacy dei dati.

Fed-LSAE potenzia la sicurezza nel federated learning e contrasta gli attacchi di avvelenamento.

Un nuovo strumento per analizzare i dati in sicurezza senza mettere a rischio la privacy degli utenti.

NOMA presenta rischi di sicurezza unici a causa dei canali condivisi tra più utenti.

Questo studio esamina i metodi di comunicazione sicura nell'IIoT usando tecniche NOMA.

La sanificazione delle informazioni aiuta a proteggere i dati sensibili nei modelli linguistici.

Lo studio analizza gli aspetti facili da usare dei popolari strumenti di privacy differenziale.

Uno sguardo a Edge ML e al suo ruolo nel riconoscere le attività umane.

Il ruolo dell'IA nella trasformazione della gestione delle reti per le tecnologie wireless avanzate.

Un nuovo metodo migliora il Federated Learning affrontando la lentezza e le differenze tra i dispositivi.

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.