Zobrazeno 1 - 6
of 6
pro vyhledávání: '"Mun, Chan Fook"'
Publikováno v:
IEEE Access, 2020
The need for privacy-preserving analytics is higher than ever due to the severity of privacy risks and to comply with new privacy regulations leading to an amplified interest in privacy-preserving techniques that try to balance between privacy and ut
Externí odkaz:
http://arxiv.org/abs/1908.06972
Autor:
Chao, Jin, Badawi, Ahmad Al, Unnikrishnan, Balagopal, Lin, Jie, Mun, Chan Fook, Brown, James M., Campbell, J. Peter, Chiang, Michael, Kalpathy-Cramer, Jayashree, Chandrasekhar, Vijay Ramaseshan, Krishnaswamy, Pavitra, Aung, Khin Mi Mi
Convolutional neural networks (CNNs) have enabled significant performance leaps in medical image classification tasks. However, translating neural network models for clinical applications remains challenging due to data privacy issues. Fully Homomorp
Externí odkaz:
http://arxiv.org/abs/1901.10074
Autor:
Badawi, Ahmad Al, Chao, Jin, Lin, Jie, Mun, Chan Fook, Sim, Jun Jie, Tan, Benjamin Hong Meng, Nan, Xiao, Aung, Khin Mi Mi, Chandrasekhar, Vijay Ramaseshan
Deep Learning as a Service (DLaaS) stands as a promising solution for cloud-based inference applications. In this setting, the cloud has a pre-learned model whereas the user has samples on which she wants to run the model. The biggest concern with DL
Externí odkaz:
http://arxiv.org/abs/1811.00778
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.
Akademický článek
Tento výsledek nelze pro nepřihlášené uživatele zobrazit.
K zobrazení výsledku je třeba se přihlásit.
K zobrazení výsledku je třeba se přihlásit.