Artigos mais recentes para Privacidade de Dados

Descubra como o aprendizado federado tá mudando a pesquisa sobre comida, preservando a privacidade dos dados e promovendo a colaboração.

UGradSL oferece uma solução prática pra remover informações sensíveis de modelos de aprendizado de máquina.

Esse artigo fala sobre os desafios do "machine unlearning" e uma nova abordagem pra equilibrar privacidade e precisão.

Um novo método melhora o desempenho do modelo de linguagem em dispositivos pessoais, ao mesmo tempo que resolve preocupações com privacidade.

Avaliando a diferença entre a tecnologia de IA e os frameworks regulatórios.

Um método que combina SGD e técnicas de privacidade pra uma análise de dados eficaz.

Descubra como a computação quântica privada pode proteger dados sensíveis durante cálculos complexos.

Um olhar sobre as regras que tão moldando o papel da IA na saúde global hoje.

Analisando os riscos de segurança e soluções para as novas tecnologias de assistentes de IA.

Um novo método melhora a capacidade dos Modelos de Linguagem Grande de esquecer informações sensíveis.

Um estudo sobre métodos para dados sintéticos seguros que preservam a privacidade e a utilidade.

Um novo algoritmo melhora a eficiência do aprendizado federado enquanto garante a privacidade dos dados.

Explorando como informações causais estruturais podem melhorar a qualidade dos dados sintéticos.

Analisando como algoritmos podem proteger a privacidade enquanto otimizam decisões em medicina personalizada.

Testar LLMs é essencial pra ter aplicações de IA seguras e eficazes.

Analisando as atitudes em relação a doar dados de saúde depois de morrer.

Um novo framework para analisar fluxos de dados enquanto garante a privacidade do usuário.

Um novo método melhora o aprendizado personalizado para grandes modelos de linguagem.

Explorando ameaças à privacidade em processamento de imagem usando modelos de difusão e gradientes vazados.

Analisando a privacidade de dados através de inferência bayesiana com restrições.

O "machine unlearning" oferece uma maneira de melhorar a privacidade dos dados em modelos de aprendizado de máquina.

Novo método foca em mudanças de ritmo para ataques de fala discretos.

Explorando a importância de desaprender métodos no aprendizado de máquina moderno.

Novo método melhora a condensação de conjuntos de dados para resultados melhores em aprendizado de máquina.

Explorando a sinergia entre aprendizado federado e inteligência coletiva pra melhorar a IA.

O framework HiFGL resolve os desafios do aprendizado colaborativo focado em privacidade.

Uma abordagem nova pra criar dados sintéticos sem preocupações com a privacidade.

Um novo método melhora o aprendizado federado para dados multimodais, mesmo com informações faltando.

Aprenda como o desensibilização de alvo protege a privacidade, permitindo que os modelos esqueçam informações específicas.

Um novo método pra verificar o "desaprendizado" das máquinas de forma eficaz e segura.

Esse método remove efetivamente material protegido por direitos autorais enquanto mantém o desempenho do modelo.

Esse artigo fala sobre desaprendizado de características e seu impacto na privacidade e equidade em aprendizado de máquina.

Esse artigo fala sobre soft prompting como um método de desaprendizado em LLMs.

O P3GNN melhora a detecção de APT enquanto protege a privacidade dos dados em redes SDN.

Analisando a memorização em modelos de conclusão de código e suas implicações de privacidade.

Novos métodos revelam desafios em desaprender conhecimento de modelos de linguagem.

Sistemas de recomendação influenciam as experiências dos usuários, mas enfrentam preocupações importantes sobre justiça e privacidade.

Um jeito de manter a privacidade enquanto compartilha estatísticas de tráfego urbano.

Um framework pra melhorar a detecção de APT enquanto protege a privacidade.

LDMeta melhora a privacidade e a eficiência nos métodos de aprendizado distribuído.