Articoli più recenti per Privacy dei dati

Un nuovo metodo migliora l'apprendimento federato riducendo i carichi di comunicazione e affrontando la deriva dei client.

L'unlearning contrastivo rimuove in modo efficiente l'influenza dei dati, mantenendo però le prestazioni del modello.

Esaminare i rischi di integrare i Modelli Fondamentali nei sistemi di Apprendimento Federato.

I metodi di "machine unlearning" sono fondamentali per rispettare i diritti alla privacy dei dati.

Un nuovo algoritmo migliora l'analisi della regressione dando priorità alla privacy dei dati.

CleanSheet avanza il furto di modelli senza modificare i processi di addestramento.

Uno sguardo a come la privacy differenziale protegge la privacy dei dati individuali.

Un nuovo metodo migliora l'efficienza dell'apprendimento federato, mantenendo la privacy dei dati.

Uno sguardo ai rischi di sicurezza che affrontano i dispositivi IoT potenziati dall'apprendimento automatico.

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.