PRISM: LoRA diferencialmente privada con invariancia gauge
Descubre PRISM, un mecanismo de privacidad diferencial para LoRA que evita la amplificación de ruido. Mejora la privacidad sin sacrificar utilidad.
#diferencial
ContinuousBench: ¿El texto sintético privado mejora capacidades?
Descubre cómo ContinuousBench evalúa si los datos sintéticos con privacidad diferencial aportan nuevas capacidades. Resultados clave incluso con ε=100.
IntraShuffler: Marco de Privacidad para Aprendizaje Federado con DP Heterogéneo
IntraShuffler protege la privacidad en aprendizaje federado con DP heterogéneo, reduciendo ataques de inferencia sin perder utilidad.
PE-means: Mejora del clustering k-means con privacidad diferencial
Descubre cómo PE-means mejora el clustering k-means con privacidad diferencial, logrando un 20% menos de pérdida. Una solución innovadora y eficiente.
Replay de Lista Estable Canonicalizado para Aprendizaje Federado Privado
CSLR logra entre 3.9 y 5.6 puntos de mejora en aprendizaje continuo federado con privacidad diferencial. Optimiza NLP sin compartir datos.
Riesgo de vinculación cruzada en modelos clínicos de visión-lenguaje
Los modelos de IA clínica pueden reidentificar pacientes al vincular radiografías con informes. Descubre cómo la privacidad diferencial reduce este riesgo.
Mapas de Flujo Estocásticos Fuertes
Descubre cómo los Strong Stochastic Flow Maps revolucionan el muestreo en modelos de difusión, permitiendo generar imágenes y simular sistemas moleculares en pocos pasos.
Compresión de redes neuronales mediante equivalencia diferencial aproximada
Aprende a comprimir redes neuronales agrupando neuronas por equivalencia diferencial. Reduce parámetros sin perder precisión, alternativa eficaz.
Privacidad Mejorada en Aprendizaje Federado con División y Participación Aleatoria
Descubre cómo MS-PAFL mejora la privacidad en aprendizaje federado sin sacrificar precisión, usando división de modelos y ruido calibrado. Logra modelos precisos con fuertes garantías.
Denoisers suavemente restringidos para modelos de difusión en EDP
Descubre cómo los denoisers suavemente restringidos mejoran el cumplimiento de EDPs sin rigidizar el modelo. Ideal para física computacional con IA.
Inyección ruido secuencial subespacios evita colapso desaprendizaje certificado
La inyección de ruido secuencial en subespacios evita colapso de precisión en desaprendizaje certificado. Mejora la utilidad del modelo.
Los modos de fallo de PINNs son sobreajuste
Descubre cómo el sobreajuste provoca fallos en PINNs y cómo la regularización y el doble backpropagation permiten resolver ecuaciones con menos puntos de colocación.
Reducción de Malla Informada por Física para Redes Neuronales Grafo Multigrid
Coarsening informado por física mejora precisión y estabilidad en redes neuronales grafo multigrid para sólidos deformables. ¡Optimiza!
Modelos de dinámicas de red con múltiples condiciones iniciales usando WSINDy
Descubre cómo WSINDy extrae modelos efectivos de dinámicas en redes usando múltiples condiciones iniciales, mejorando precisión con alto ruido.
Privacidad Diferencial Local con Ruido Correlacionado Logra Costo Óptimo Central
Descubre cómo el ruido correlacionado en privacidad diferencial local iguala el costo óptimo del modelo central, revolucionando la estimación privada de datos.
El mecanismo de mezcla rápida para privacidad diferencial
Conoce el mecanismo de mezcla rápida para privacidad diferencial que acelera la regresión lineal sin comprometer precisión. ¡Ideal para datos sensibles!