Artigos mais recentes para Privacidade de Dados

Uma olhada em métodos que melhoram a privacidade no aprendizado federado enquanto garantem a precisão do modelo.

Um método que personaliza LLMs enquanto protege os dados sensíveis dos usuários.

Analisando os fatores que influenciam o uso de aplicativos de saúde móvel em várias demografias.

Examinando k-anonimato e dados sintéticos pra privacidade e uso de energia na IA.

Um conjunto de dados único revela padrões de uso de apps móveis nas áreas urbanas da França.

Explorando novas soluções para tecnologias de comunicação 6G seguras e eficientes.

Analisando como as medidas de privacidade afetam os limites de frequência escolar e a diversidade.

Novo método gera imagens sintéticas diversas para melhorar o reconhecimento facial.

Entenda como o "machine unlearning" protege as informações pessoais em modelos de ML.

Esquecer é fundamental pra gerenciar conhecimento em IA e na tomada de decisões.

Este artigo explora os riscos e as preocupações éticas em torno do ChatGPT.

Explore como os CRSs usam diálogos para melhorar as recomendações de conteúdo.

Explore como mixnets rastreáveis melhoram a privacidade na gestão de dados enquanto permitem consultas específicas.

FedAds oferece uma solução para uma estimativa eficaz de CVR enquanto protege a privacidade do usuário.

Este artigo examina as ameaças em sistemas de recomendação federados usando informações visuais.

O ResidualPlanner oferece insights rápidos e privados a partir de dados usando marginais ruidosos.

Um novo método prevê a demanda por táxis enquanto garante a privacidade dos dados.

O SplitAMC melhora a privacidade dos dados e reduz a latência na classificação de modulação.

Explore os métodos e desafios da avaliação de modelos em aprendizado federado.

Novo método avalia a privacidade em aprendizado de máquina com uma única execução de algoritmo.

O FLARE ajuda dispositivos IoT a lidarem com a mudança de conceito, garantindo privacidade e eficiência.

O seguro paramétrico oferece indenizações mais rápidas e mais transparência por meio da tecnologia.

Explore como o aprendizado federado vertical melhora a privacidade no aprendizado de máquina.

Um novo método melhora a eficiência do Aprendizado Federado ajustando as etapas de treinamento local.

Melhorar os métodos de dados sintéticos pode levar a modelos de machine learning mais confiáveis.

PrivaScissors diminui a vazamento de dados em inferência colaborativa, melhorando a privacidade do usuário.

Um novo método melhora a segmentação de imagens enquanto mantém a privacidade do paciente.

Um método que permite o esquecimento seletivo em modelos generativos pra evitar abuso.

Imagens sintéticas ajudam a melhorar o reconhecimento facial enquanto resolvem problemas de coleta de dados.

Estudo revela viés significativo nos métodos de desidentificação de nomes clínicos.

Aprendizado federado oferece soluções para justiça nas previsões de saúde impulsionadas por IA.

Um novo método pra treinar modelos enquanto protege dados sensíveis.

Uma abordagem forte pra criar exemplos que não podem ser aprendidos pra proteção de dados.

Novos métodos mostram potencial em proteger dados pessoais contra uso não autorizado.

Um novo método melhora o compartilhamento de dados entre veículos conectados usando aprendizado federado.

Aumentando a eficiência no Aprendizado Federado com estratégias de dispositivos que consideram riscos.

Explorando a importância da confiança em sistemas de aprendizado federado.

O PS-FedGAN melhora a privacidade e a eficiência no aprendizado federado compartilhando o mínimo de dados.

O Aprendizado Federado melhora o treinamento de modelos enquanto mantém os dados dos usuários privados.

Reetiquetagem aleatória é um jeito rápido de remover dados em aprendizado de máquina.