Artigos mais recentes para Privacidade de Dados

Marcas d'água podem ajudar a proteger os direitos autorais no treinamento de modelos de IA, provando o uso do texto.

Pesquisas mostram que a memória de longo prazo melhora a troca de informações sobre saúde com chatbots.

Um sistema pra checar a justiça em machine learning enquanto protege a privacidade do modelo.

Um novo framework melhora o desempenho do modelo enquanto mantém a privacidade dos dados.

A HFRec dá dicas de cursos seguras e personalizadas, levando em conta as diversas necessidades dos estudantes.

Analisando como o fine-tuning aumenta o risco de revelar dados sensíveis de treinamento.

Um olhar sobre ataques de reconstrução e seu impacto na privacidade dos dados em aprendizado de máquina.

Um método para análise colaborativa sem compartilhar dados sensíveis de pacientes.

Um novo sistema permite um treinamento de CNN mais rápido em dispositivos com memória limitada.

Examinando os desafios e soluções em Aprendizado de Máquina Colaborativo pra uma privacidade e segurança melhores.

Um novo método pra melhorar modelos de aprendizado de máquina que são afetados por dados ruins.

Um novo ataque de cache explora políticas de substituição pra vazar informações sensíveis.

Este artigo analisa o desaprender de máquinas em grandes modelos de linguagem.

CoDream permite que as organizações colaborem de forma segura sem compartilhar dados sensíveis.

Descubra como o ESFL melhora a eficiência do aprendizado de máquina enquanto protege a privacidade.

Novos métodos pra proteger dados sensíveis contra acesso não autorizado em machine learning.

Abordando preocupações de privacidade em aprendizado de máquina com técnicas eficazes.

Explore como conjuntos de dados sintéticos melhoram o desempenho de machine learning e a seleção de modelos.

Enfrentando o desafio da privacidade na tomada de decisão baseada em dados na saúde.

Explorando como tamanhos de lote maiores melhoram a privacidade diferencial em aprendizado de máquina.

O FedReview melhora o aprendizado federado ao rejeitar atualizações de modelo prejudiciais.

Analisando os desafios da privacidade diferencial em sistemas de aprendizado online.

Explorando os riscos de privacidade e segurança ligados aos Modelos de Linguagem Grandes.

FedUV melhora o desempenho do modelo em aprendizado federado com dados não IID.

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

AerisAI melhora a colaboração de IA enquanto protege a privacidade dos dados com métodos descentralizados.

Explorando métodos de privacidade diferencial em aprendizado por reforço pra proteger dados sensíveis.

Novos métodos garantem a segurança dos dados em IA enquanto garantem cálculos eficazes.

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.