Monika Henzinger

Explorando métodos de privacidade diferencial local para análise segura de grafo.

Otimizar a seleção de dados pode aumentar muito a eficiência e o desempenho do treinamento em machine learning.

Misturando métodos tradicionais de agrupamento com proteções de privacidade usando privacidade diferencial.

Um método novo usa caminhadas aleatórias pra fazer clustering de grafos de forma eficiente.

Este artigo discute a melhoria das soluções de clustering dinâmico em meio a dados que mudam constantemente.

Algoritmos inovadores pra contar itens distintos enquanto garantem a privacidade dos dados.