Artigos mais recentes para Privacidade de Dados

Técnicas para proteger dados sensíveis em aprendizado de máquina.

Um olhar sobre computação que preserva a privacidade e sua eficiência através de designs centrados na memória.

Um novo método para contar ciclos em grafos enquanto garante a privacidade do usuário.

A desaprendizagem de grafos oferece uma solução pra remover dados desatualizados sem precisar fazer um re-treinamento completo.

CryptoTrain combina técnicas criptográficas pra proteger dados sensíveis durante o treinamento de machine learning.

FeDETR usa aprendizado federado para melhorar a avaliação de estenose coronária.

Sistemas personalizados melhoram o monitoramento da saúde e do comportamento com modelos ajustados.

Métodos para melhorar a privacidade na análise de Cox federada são explorados.

O TLSNotary garante a autenticidade dos dados enquanto mantém a privacidade do cliente nas comunicações online.

Um olhar sobre como a privacidade diferencial protege os dados individuais em um mundo movido a dados.

Explorando a necessidade de uma boa aplicação das políticas de uso de dados.

Uma visão geral sobre vazamento de informações, seu impacto e como medi-lo.

Analisando percepções locais sobre privacidade de dados móveis durante uma iniciativa de ajuda na pandemia.

Pesquisa revela atitudes em relação a apps de saúde e compartilhamento de dados entre as gerações.

Uma olhada nos riscos de privacidade e métodos seguros para IA generativa.

Analisando como os modelos SSL memorizam pontos de dados e suas implicações.

A-FedPD alinha as atualizações do modelo pra reduzir a instabilidade do treinamento no aprendizado federado.

Um novo método prevê riscos de memorização em Modelos de Linguagem Grande pra melhorar a privacidade.

Um novo método melhora a privacidade na compartilhamento de dados para previsões de cidades inteligentes.

TAKFL otimiza o compartilhamento de conhecimento no aprendizado federado para as diferentes capacidades dos dispositivos.

Este artigo melhora o aprendizado federado para GNNs enquanto preserva a privacidade dos usuários.

Novos métodos melhoram a auditoria do uso de dados em sistemas de Aprendizado Federado.

Um estudo comparando ameaças à privacidade em redes neurais spiking e artificiais.

Um novo método protege o aprendizado descentralizado de ataques de contaminação de dados.

Um novo método pra melhorar a resistência do Aprendizado Federado contra ataques de dados.

Entendendo as complicações de provar o uso de dados no treinamento de IA.

Combinar prompts globais e locais melhora os modelos de aprendizado federado sem abrir mão da privacidade dos dados.

Um novo modelo oferece uma visão das tendências de trabalho enquanto protege dados sensíveis.

Uma olhada nos desafios e soluções do aprendizado federado em manter a privacidade dos dados e a precisão do modelo.

Estratégias inovadoras melhoram a detecção de eventos raros em sistemas de aprendizado federado.

FLeNS melhora o aprendizado federado ao equilibrar a velocidade de aprendizado e a eficiência da comunicação.

Analisando as vulnerabilidades de privacidade no aprendizado federado e suas implicações para a segurança dos dados.

A IA melhora a detecção de pedras nos rins enquanto garante a privacidade dos dados dos pacientes.

Pesquisas mostram que LLMs conseguem gerar código sintético útil para ensinar.

Aprenda como o aprendizado federado adapta a IA às preferências individuais enquanto preserva a privacidade.

A adaptação personalizada pro cliente melhora a eficiência e a privacidade do aprendizado federado.

Um olhar sobre os ataques de inferência de membros e sua relevância na privacidade dos dados.

Um novo método protege dados sensíveis na otimização QUBO.

A MASA oferece uma solução pra aumentar a segurança em sistemas de Aprendizado Federado.

Saiba como dados sintéticos podem melhorar a análise do comportamento dos funcionários enquanto protegem a privacidade.