Artigos mais recentes para Privacidade de Dados

Esse artigo apresenta um método para clientes com objetivos diversos em aprendizado federado de bandits.

Discutindo privacidade e justiça em machine learning através de privacidade diferencial e risco do pior grupo.

Novos algoritmos melhoram a privacidade e a precisão em cenários de dados esparsos.

Um novo método combina aprendizado federado e computação segura pra proteger a privacidade dos dados de olhar.

A BasedAI usa criptografia pra garantir a privacidade enquanto melhora o desempenho do modelo de linguagem.

Um olhar sobre como a análise de dados pode manter a privacidade individual.

Um jeito de tirar habilidades indesejadas de modelos de linguagem enquanto mantém as funções essenciais intactas.

Um novo método melhora as previsões de carga de energia enquanto garante a privacidade dos dados.

Asyn2F melhora o aprendizado federado assíncrono pra um treino de modelo melhor e mais privacidade dos dados.

Uma nova abordagem melhora a precisão do aprendizado de máquina enquanto garante a privacidade dos dados.

Uma nova abordagem para representação de imagens com privacidade diferencial por meio de legendas.

Um novo método melhora a eficiência do aprendizado federado usando estratégias de atualização dos clientes.

Analisando o desaprendizado federado e seus desafios na privacidade de machine learning.

Pesquisas mostram como os LLMs podem expor dados de treinamento, levantando preocupações sobre privacidade.

Este artigo fala sobre soluções de privacidade para os problemas de Max Cover e Set Cover.

Um olhar sobre os riscos de envenenamento de dados em sistemas de aprendizado federado.

Um novo framework combina modelos grandes e pequenos pra priorizar a proteção dos dados do usuário.

Enfrentando os desafios do aprendizado federado por causa dos dispositivos e dados diversos.

O P2M2-CDR melhora as recomendações enquanto protege a privacidade do usuário com técnicas de dados avançadas.

Explorando técnicas de preservação de privacidade em aprendizado de máquina e sua importância.

Uma nova abordagem melhora a recuperação de dados enquanto resolve preocupações de privacidade no aprendizado federado.

Novos mecanismos aumentam a privacidade enquanto mantêm a utilidade dos dados em aprendizado de máquina.

Algoritmos inovadores usam dados públicos pra proteger a privacidade na análise de dados.

Um olhar sobre o aprendizado federado e seu impacto na tomada de decisões de negócios.

Um método para agentes estimarem funções sem compartilhar dados diretamente.

Investigando os efeitos do barulho no treinamento de redes neurais profundas e privacidade.

Uma nova abordagem descentralizada melhora o desempenho de aprendizado em redes IoT com recursos limitados.

Essa pesquisa revela ameaças à privacidade em modelos de tópicos mais simples, tipo LDA.

Uma nova estrutura melhora a privacidade em imagens geradas por IA enquanto garante eficiência.

Esse artigo fala sobre métodos de privacidade para dados tabulares em modelos de linguagem grandes.

Aprenda como compartilhar informações sobre ameaças de forma segura entre organizações.

Analisando fatores que influenciam a confiança na tecnologia de IA em diferentes opiniões.

Um novo framework pra melhorar o aprendizado em Aprendizado Federado Incremental enquanto garante a privacidade dos dados.

Explorando os riscos de privacidade relacionados a ataques de inferência de membros em aprendizado de máquina.

Novas técnicas pra melhorar a privacidade sem perder a qualidade das recomendações.

Nova biblioteca baseada em JAX simplifica o aprendizado federado para um treinamento de modelo melhor.

Esse estudo melhora a aprendizagem distribuída através do uso eficaz de atualizações ponderadas no Feedback de Erro.

Um estudo sobre a transparência das políticas de privacidade e como elas afetam a confiança do usuário.

Explorando ideias recentes sobre dados sintéticos e desafios de privacidade.

Um novo esquema melhora a segurança e a privacidade em redes de pequenas células.