Articoli più recenti per Privacy dei dati

Un approccio flessibile per generare CFE che rispetta le preoccupazioni sulla privacy dei dati.

Scopri il ruolo della crittografia nel proteggere le informazioni e salvaguardare la privacy.

Un nuovo metodo migliora la memoria e l'adattabilità nei modelli di imaging medico.

FedBiOT migliora i modelli di linguaggio di grandi dimensioni mantenendo la privacy dei dati e un basso utilizzo delle risorse.

Tecniche per migliorare le prestazioni nell'addestramento di modelli con privacy differenziale.

QFHE permette di fare calcoli su dati criptati per migliorare la privacy e la sicurezza.

Questo articolo presenta un metodo per proteggere i dati personali nei sistemi di apprendimento automatico.

Come l'apprendimento federato affronta le minacce alla privacy mentre cerca la sicurezza dei dati.

Un nuovo metodo migliora la personalizzazione dei LLM per un migliore coinvolgimento degli utenti.

Nuovi metodi rivelano gravi minacce alla privacy derivanti dalla condivisione dei dati sulla posizione.

Un nuovo metodo promette un'azzeramento dei dati efficiente mantenendo le prestazioni del modello.

Un nuovo metodo aiuta a mantenere al sicuro i dati privati nei modelli linguistici.

Introducendo FC-EM per proteggere i dati delle nuvole di punti 3D da accessi non autorizzati.

Esaminare le sfide e le implicazioni del disapprendimento nei modelli di IA.

Uno sguardo all'algoritmo FedQ-Advantage nell'apprendimento per rinforzo federato.

FedMap migliora l'efficienza dell'apprendimento federato garantendo la privacy dei dati.

Nuovi metodi generano dati sintetici per proteggere la privacy in scenari collaborativi.

La Privacy Differenziale Locale consente la condivisione sicura dei dati proteggendo le informazioni individuali degli utenti.

Un nuovo approccio ai boxplot garantisce la privacy dei dati mantenendo un'analisi utile.

Un nuovo approccio combina l'analisi vocale con la protezione della privacy per la rilevazione della demenza.

Formazione collaborativa di algoritmi medici proteggendo la privacy dei pazienti.

Esaminando il rapporto tra tecniche di privacy e pregiudizi nei modelli linguistici.

AAggFF introduce strategie adattive per un rendimento equo dei modelli nel Federated Learning.

Nuovi metodi migliorano la privacy e la coerenza usando collocazioni nei dati linguistici.

Un nuovo metodo per riscrivere testi che garantisce la privacy e mantiene il significato.

Il poisoning del codice aumenta i rischi di attacchi di inferenza sui membri dei dati sensibili.

La ricerca mostra quanto sia facile rimuovere le funzionalità di sicurezza dai modelli Llama 3.

Nuove tecniche migliorano gli studi genomici collaborativi garantendo la privacy dei dati.

Un nuovo metodo riduce il consumo energetico migliorando i risultati di apprendimento nei sistemi decentralizzati.

QUEEN offre protezione in tempo reale contro gli attacchi di estrazione del modello nel deep learning.

Ottimizzazione di grandi modelli di linguaggio direttamente sugli smartphone, proteggendo i dati degli utenti.

Un nuovo metodo per un recupero dati efficiente in ambienti decentralizzati.

Un framework per condividere in modo sicuro le informazioni sanitarie proteggendo la privacy del paziente.

Questo articolo esplora i vantaggi dell'uso di FP8 nell'apprendimento federato.

Uno sguardo a come i modelli di linguaggio possono far trapelare dati sensibili.

Questo articolo esamina i rischi legati ai LLM e propone modi per migliorare la sicurezza.

Esplorando le sfide legali sollevate dall'evoluzione rapida dell'AI generativa.

Un nuovo framework migliora l'apprendimento federato garantendo la privacy dei dati.

Questo studio valuta modelli avanzati per generare dati di viaggio falsi e le loro applicazioni pratiche.

Venomancer è un attacco furtivo che sfrutta le vulnerabilità nei sistemi di apprendimento federato.