Artigos mais recentes para Privacidade de Dados

Fast-FedUL oferece métodos rápidos de remoção de dados para aprendizado federado enquanto garante a privacidade.

Novos métodos melhoram os processos de remoção de dados em modelos de aprendizado de máquina.

O KALM4Rec melhora as recomendações para usuários novos usando métodos baseados em palavras-chave.

Aprenda como a minimização de dados protege a privacidade em meio ao aumento da coleta de dados.

Novos métodos reduzem os riscos de memorização em imagens médicas com modelos de difusão.

FeMLoc melhora a localização interna usando técnicas de aprendizado federado e meta-aprendizado.

Esse artigo fala sobre o impacto da privacidade diferencial na confiança no Censo dos EUA.

Um novo método pra melhorar o aprendizado contínuo sem exemplares, rastreando as mudanças na representação das classes.

O FedGELA enfrenta desafios no aprendizado federado com dados parcialmente disjuntos em classes.

Um novo método para aprendizado federado que resolve os desafios do aprendizado contínuo.

FedLESAM enfrenta desafios de dados em aprendizado federado para melhorar o desempenho do modelo.

Explorando métodos para proteger as informações dos pacientes na pesquisa clínica.

O FedMR enfrenta desafios no aprendizado federado com dados de classes parciais, melhorando o desempenho do modelo.

PadFL melhora o compartilhamento de modelos e a eficiência em diferentes capacidades de dispositivos.

O Aprendizado Federado treina modelos enquanto mantém os dados dos usuários privados e seguros.

As ferramentas de IA ajudam os negociadores em ambientes complexos, melhorando a eficiência e a tomada de decisões.

Um método pra reescrever textos enquanto protege a privacidade das pessoas.

Uma nova abordagem melhora a segurança e o desempenho no aprendizado federado com blockchain.

Estudo revela como os apps móveis moldam os hábitos de viagem.

Analisando as contribuições e vulnerabilidades dos clientes em sistemas de aprendizado federado.

Um método para aprendizado de máquina colaborativo mantendo os dados privados.

Novos métodos para colaboração que preserva a privacidade em aprendizado federado vertical.

Explorando controle federado em aprendizado por reforço pra agentes trabalharem juntos de forma segura.

Esquecer ajuda a aprender tanto em humanos quanto em modelos de máquina, melhorando a adaptabilidade e o desempenho.

Um novo método melhora a privacidade dos dados para análise de dados discretos.

O SpaFL melhora a comunicação e a computação no Aprendizado Federado enquanto protege os dados pessoais.

O LayerCAM-AE melhora a detecção de atualizações maliciosas em aprendizado federado enquanto preserva a privacidade dos dados.

A pesquisa busca equilibrar privacidade e precisão nos métodos de estimativa de média vetorial.

Contrafactuais revelam insights, mas trazem riscos de privacidade em machine learning.

Examinando os riscos e o uso indevido de grandes modelos de linguagem no cibercrime.

Um novo método resolve erros sem fio no aprendizado federado para dispositivos IoT.

Este artigo fala sobre privacidade e preconceito em algoritmos preditivos para dados sensíveis.

Um novo método melhora as previsões do modelo para uma adaptação melhor sem dados de origem.

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

Uma nova abordagem com vários servidores melhora a eficiência e a velocidade do aprendizado federado.

Apresentando o PrivacyRestore pra proteger os dados do usuário enquanto usa modelos de linguagem grandes.

Este estudo fala sobre as dificuldades de desaprender dados de modelos de machine learning.

Métodos para estimar características de conjuntos de dados enquanto mantém os dados individuais seguros.

Novo método melhora o aprendizado federado enquanto protege a privacidade do usuário.

Aumentar as rodadas de comunicação reduz custos e melhora o desempenho do modelo no aprendizado federado.