Artigos mais recentes para Privacidade de Dados

Um estudo revela o ataque WordGame, explorando as fraquezas nas medidas de segurança dos LLMs.

Explorando como o Aprendizado Federado pode melhorar a privacidade dos dados na saúde.

Uma nova abordagem melhora o desempenho e a justiça no aprendizado federado.

Novo framework ajuda a proteger estatísticas resumidas sensíveis durante o compartilhamento de dados.

Apresentando uma nova maneira de avaliar os riscos de privacidade em modelos de aprendizado de máquina.

Aprenda como o aprendizado distribuído pode melhorar a eficiência do aprendizado de máquina e o treinamento de modelos.

Uma visão geral de como a anonimização protege a identidade pessoal ao usar biometria.

Apresentando um framework pra equilibrar a privacidade dos dados com a utilidade.

Um novo método pra proteger a privacidade em modelos de texto pra imagem.

Examinando a conexão entre privacidade diferencial local e justiça em sistemas de ML.

Novos métodos melhoram a auditoria de privacidade, focando em modelos de estado oculto em aprendizado de máquina.

Melhorando o aprendizado distribuído através de técnicas adaptativas de clipping robusto.

Novo método melhora a remoção de dados em modelos de gráficos dinâmicos enquanto garante privacidade.

A Inferência Federada Bayesiana permite uma análise de sobrevivência que preserva a privacidade na pesquisa sobre câncer.

FedSC melhora o treinamento de modelos enquanto mantém a privacidade do usuário no aprendizado federado.

Novas técnicas melhoram a escalabilidade em aprendizado de máquina com privacidade diferencial.

A abordagem baseada em coorte melhora a eficiência e a precisão em sistemas de Aprendizado Federado.

Descubra como os Planos Comportamentais Federados melhoram a compreensão das ações dos clientes no aprendizado federado.

Apresentando Alinhamento por Demonstrações para modelos de linguagem seguros e eficazes.

Pesquisas mostram que há vulnerabilidades na abordagem de privacidade de texto do aprendizado federado.

Explorando o método NatMU para uma desaprendizagem de máquina eficaz e privacidade de dados.

Desaprender melhora a privacidade em sistemas de recomendação sem perder a qualidade das recomendações.

Dados sintéticos oferecem soluções promissoras para os desafios na imagem médica.

Explorando o impacto da IA na eficiência, privacidade e segurança em sistemas vitais.

Um novo método reduz as cargas de comunicação no aprendizado federado enquanto melhora a privacidade.

Um novo método aumenta a precisão das previsões enquanto protege a privacidade dos usuários em modelos na nuvem.

O Client2Vec melhora o aprendizado federado criando identificadores únicos para os dados dos usuários.

Um novo método melhora os ataques de jailbreak em modelos avançados de IA usando interpretação de personagens.

Descubra um método de otimização descentralizada que protege os dados dos usuários enquanto melhora a eficiência.

Explorando a mistura de aprendizado focado em privacidade e técnicas de geração de dados.

Aprenda como o AltGDmin lida com dados ausentes em um ambiente federado.

Um novo método pra melhorar o aprendizado federado através da Modelagem Aditiva Multi-Nível.

Explorando novas formas de garantir privacidade na comunicação sem fio.

Um novo método melhora a equidade no aprendizado federado em comunidades diversas.

Treinar LLMs de código aberto melhora a modelagem de otimização para aplicações industriais.

Aproveitando modelos de saída antecipada pra um aprendizado federado eficiente em sistemas de ASR.

Explore o papel vital do controle de acesso na computação de borda.

FedHPL melhora a eficiência do aprendizado federado enquanto garante a privacidade dos dados entre os dispositivos.

Um novo método permite a transferência de módulos LoRA com dados sintéticos, minimizando a dependência de dados originais.

Este estudo melhora a segurança do aprendizado de máquina quântico contra ataques adversariais através de canais de ruído e métodos de privacidade.