Zobrazeno 1 - 6
of 6
pro vyhledávání: '"Garifullina, Aygul"'
Privacy preserving deep learning is an emerging field in machine learning that aims to mitigate the privacy risks in the use of deep neural networks. One such risk is training data extraction from language models that have been trained on datasets, w
Externí odkaz:
http://arxiv.org/abs/2212.03749
Traditional approaches for data anonymization consider relational data and textual data independently. We propose rx-anon, an anonymization approach for heterogeneous semi-structured documents composed of relational and textual attributes. We map sen
Externí odkaz:
http://arxiv.org/abs/2105.08842
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Autor:
Abazari Kia, Mahsa1 (AUTHOR) mahsa.abazari@nulondon.ac.uk, Garifullina, Aygul2 (AUTHOR), Kern, Mathias2 (AUTHOR), Chamberlain, Jon1 (AUTHOR), Jameel, Shoaib3 (AUTHOR)
Publikováno v:
Computational Intelligence. Jun2024, Vol. 40 Issue 3, p1-32. 32p.
Privacy preserving deep learning is an emerging field in machine learning that aims to mitigate the privacy risks in the use of deep neural networks. One such risk is training data extraction from language models that have been trained on datasets ,
Externí odkaz:
https://explore.openaire.eu/search/publication?articleId=doi_dedup___::c04c07a1090b543939614d350360fc31
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.