Artigos mais recentes para Privacidade de Dados

O PPA-AFL melhora a privacidade dos dados no aprendizado de máquina colaborativo entre dispositivos.

Explorando aprendizado federado e o método do ponto interior pra treinar modelos de forma eficaz.

Um framework pra desenvolver políticas personalizadas usando dados observacionais enquanto garante a privacidade.

Um método para usar LLMs de forma segura e eficiente, protegendo a privacidade do usuário.

KARD melhora modelos pequenos ao integrar conhecimento externo pra um raciocínio melhor.

Analisando como classificadores seletivos preservam a privacidade e a precisão das previsões.

Analisando a interação entre métodos de comunicação e privacidade em espaços virtuais.

Um olhar sobre como a privacidade diferencial protege as informações individuais na análise de dados.

Esse artigo discute métodos pra melhorar a eficiência da comunicação no aprendizado dividido enquanto mantém o desempenho do modelo.

Uma análise profunda sobre ataques de morphing facial e métodos de detecção.

Um olhar sobre otimização convexa diferencialmente privada para proteção de dados em aprendizado de máquina.

Um estudo sobre a eficácia de ataques de vizinhança em revelar dados de treinamento.

Analisando o conflito entre acesso a dados e confidencialidade na pesquisa.

Um novo framework para aprendizado federado se adapta a dados que mudam enquanto garante privacidade.

Esse trabalho analisa a importância da indistinguibilidade estatística em algoritmos de aprendizado.

Analisando a eficácia e os desafios dos conjuntos de dados não aprendíveis na proteção de informações privadas.

O aprendizado federado melhora o treinamento de modelos enquanto mantém os dados dos usuários privados.

Um novo método garante privacidade na classificação de fala sem perder desempenho.

Usando aprendizado federado pra melhorar a análise de fala no diagnóstico de Parkinson em diferentes idiomas.

Novos modelos melhoram a comunicação ar-solo usando aprendizado federado e redes neurais generativas.

Um método pra treinar modelos que protege a privacidade dos dados enquanto melhora a colaboração.

Uma nova estrutura melhora a velocidade e a eficiência do aprendizado federado enquanto protege a privacidade.

Equilibrando a privacidade do usuário e a tomada de decisões em IA com técnicas de privacidade diferencial.

Um novo framework melhora a análise de dados de sensoriamento remoto mantendo a privacidade.

Este artigo analisa como os modelos de privacidade afetam o monitoramento dos níveis de CO2 em prédios inteligentes.

Este artigo analisa ataques de inferência de atributos em GNNs e seu impacto na privacidade.

Este artigo explora os benefícios e desafios do aprendizado federado descentralizado.

Combinar aprendizado federado e MIMO melhora a privacidade e a eficiência em sistemas sem fio.

Uma olhada em como garantir a confiabilidade em estruturas de dados auditáveis.

FedMSA melhora o aprendizado federado ao aumentar a comunicação e a eficiência no treinamento descentralizado.

Abordando privacidade e precisão na análise de dados sintéticos por meio de inferência bayesiana.

Novos métodos melhoram a privacidade sem perder o sentido e a estrutura do texto.

Novos métodos melhoram a precisão do reconhecimento facial enquanto lidam com preocupações sobre privacidade.

Uma nova estrutura melhora a entrega de conteúdo em áreas urbanas movimentadas.

Estudo avalia os riscos de privacidade dos modelos generativos na troca de dados médicos.

O framework tem como objetivo proteger a privacidade dos pacientes na hora de compartilhar dados médicos sintéticos.

O framework GPT-FL melhora o aprendizado federado usando dados sintéticos.

Um método pra remover dados de modelos de machine learning garantindo a privacidade.

Um novo método melhora a privacidade e a precisão para dados de alta dimensão.

Explorando aprendizado que preserva a privacidade enquanto resolve problemas de comunicação em aprendizado por reforço federado.