PSyGenTAB: Marco de preservación de privacidad para datos clínicos sintéticos
Descubre PSyGenTAB, un marco que genera datos clínicos sintéticos preservando la privacidad y la utilidad clínica. Ideal para IA en salud segura.
#inferencia de membresía
Ataques de Inferencia de Membresía contra Modelos de Lenguaje de Audio Grandes
Primer estudio sistemático de ataques de inferencia de membresía en LALMs. Revelamos memorización cruzada y nuevo protocolo de auditoría.
CheckMIABench: Bases firmes para ataques de inferencia de membresía en LLMs
Descubre CheckMIABench, el nuevo benchmark para evaluar ataques de inferencia de membresía en LLMs. Mejora la privacidad de tus modelos con bases sólidas.
CheckMIABench: Bases para ataques de inferencia de membresía en modelos LLM
Descubre CheckMIABench, el nuevo benchmark sin sesgos para evaluar ataques de inferencia de membresía en modelos de lenguaje. ¡Protege la privacidad de tus
Privacidad Diferencial del Muestreo Posterior de Procesos Gaussianos
Descubre cómo el muestreo posterior de GP garantiza privacidad diferencial sin ruido. Regularización y ataques de inferencia.
¿Mis datos de visión-lenguaje entrenaron tu IA? MINT Demo 2
Descubre MINT Demo 2, una herramienta para auditar si tus datos de visión-lenguaje fueron usados en entrenar modelos de IA. Hasta 90% de precisión.
Fantasmas y Revelaciones: Marco Causal para Auditar Datos Sintéticos
Audita datos sintéticos sin acceso al modelo. Detecta filtraciones reales vs fantasma para mejorar privacidad en IA generativa.
¿Son los modelos neuroinspirados resistentes a la inferencia de membresía?
Descubre cómo los modelos neuroinspirados de visión-lenguaje reducen un 24% los ataques de inferencia de membresía sin comprometer su utilidad. ¡Lee más!
Predicción Privada con Privacidad PAC
Descubre cómo la privacidad PAC permite predicciones privadas con alta precisión y presupuestos ínfimos. Resultados sorprendentes en CIFAR-10 y control de inferencia de membresía.
Avances en auditoría de privacidad empírica con canarios sintéticos
Descubre cómo los canarios sintéticos mejoran la auditoría de privacidad en LLMs. Aprende a medir memorización y fuga de datos en fine-tuning eficiente.
Benchmarking de protección de privacidad empírica en adaptaciones de LLM
Evaluamos cómo la distribución de datos y métodos como LoRA impactan la privacidad en LLM con privacidad diferencial. Claves para proteger datos sensibles.
Selección del parámetro μ en Privacidad Diferencial Gaussiana
Aprende a elegir el parámetro μ en privacidad diferencial gaussiana. Te ofrecemos una conversión práctica de ε a μ y recomendamos μ ≈ ε/5 para proteger tus datos.
Fugas en Flujos Rectificados: Señales de Membresía en la Interpolación
Descubre cómo los flujos rectificados filtran señales de membresía a lo largo de la interpolación, permitiendo ataques de inferencia que distinguen datos de ent