Li Xiong

O desaprendizado contrastivo remove de forma eficiente a influência dos dados enquanto preserva o desempenho do modelo.

Um novo framework gera dados de mobilidade humana enquanto protege a privacidade individual.

Uma nova estrutura melhora a criação de dados sintéticos enquanto protege as informações pessoais.

Um novo método melhora a proteção da privacidade enquanto treina modelos de aprendizado profundo.

Uma olhada na abordagem do modelo shuffle para proteger a privacidade dos dados dos usuários.