Buchumschlag

State-of-the-Art Approaches to Enhancing Privacy Preservation of Machine Learning Datasets: A Survey

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Zhang, Chaoyu, Li, Shaoyu
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Privacy Preserving Machine Learning Workflow: from Anonymization to Personalized Differential Privacy Budgets in Federated Learning
von: Díaz, Judith Sáinz-Pardo, et al.
Veröffentlicht: (2026)

Towards Efficient Privacy-Preserving Machine Learning: A Systematic Review from Protocol, Model, and System Perspectives
von: Zeng, Wenxuan, et al.
Veröffentlicht: (2025)

Privacy-Preserving Decentralized Federated Learning via Explainable Adaptive Differential Privacy
von: Piran, Fardin Jalil, et al.
Veröffentlicht: (2025)

A Privacy-Preserving Federated Learning Method with Homomorphic Encryption in Omics Data
von: Negoya, Yusaku, et al.
Veröffentlicht: (2025)

TAPFed: Threshold Secure Aggregation for Privacy-Preserving Federated Learning
von: Xu, Runhua, et al.
Veröffentlicht: (2025)

Deciphering the Interplay between Attack and Protection Complexity in Privacy-Preserving Federated Learning
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2025)

Privacy-Preserving LLMs Routing
von: Wu, Xidong, et al.
Veröffentlicht: (2026)

A Quantization-based Technique for Privacy Preserving Distributed Learning
von: Colombo, Maurizio, et al.
Veröffentlicht: (2024)

FedRW: Efficient Privacy-Preserving Data Reweighting for Enhancing Federated Learning of Language Models
von: Ye, Pukang, et al.
Veröffentlicht: (2025)

Adversarial Attacks against Windows PE Malware Detection: A Survey of the State-of-the-Art
von: Ling, Xiang, et al.
Veröffentlicht: (2021)

Effectiveness of L2 Regularization in Privacy-Preserving Machine Learning
von: Chandrinos, Nikolaos, et al.
Veröffentlicht: (2024)

Privacy-Preserving, Dropout-Resilient Aggregation in Decentralized Learning
von: Ghavamipour, Ali Reza, et al.
Veröffentlicht: (2024)

Privacy-Preserving Aggregation for Decentralized Learning with Byzantine-Robustness
von: Ghavamipour, Ali Reza, et al.
Veröffentlicht: (2024)

Zero-Knowledge Federated Learning: A New Trustworthy and Privacy-Preserving Distributed Learning Paradigm
von: Wang, Taotao, et al.
Veröffentlicht: (2025)

A Novel Access Control and Privacy-Enhancing Approach for Models in Edge Computing
von: Li, Peihao
Veröffentlicht: (2024)

Training with Differential Privacy: A Gradient-Preserving Noise Reduction Approach with Provable Security
von: Wang, Haodi, et al.
Veröffentlicht: (2024)

PrivacyRestore: Privacy-Preserving Inference in Large Language Models via Privacy Removal and Restoration
von: Zeng, Ziqian, et al.
Veröffentlicht: (2024)

FedAdOb: Privacy-Preserving Federated Deep Learning with Adaptive Obfuscation
von: Gu, Hanlin, et al.
Veröffentlicht: (2024)

Privacy-Preserving AI-Enabled Decentralized Learning and Employment Records System
von: Xu, Yuqiao, et al.
Veröffentlicht: (2026)

Privacy Preservation in Gen AI Applications
von: S, Swetha, et al.
Veröffentlicht: (2025)

No Free Lunch Theorem for Privacy-Preserving LLM Inference
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2024)

Efficient Privacy-Preserving Retrieval Augmented Generation with Distance-Preserving Encryption
von: Ye, Huanyi, et al.
Veröffentlicht: (2026)

Privacy-Preserving Decentralized AI with Confidential Computing
von: Lee, Dayeol, et al.
Veröffentlicht: (2024)

Dual Defense: Enhancing Privacy and Mitigating Poisoning Attacks in Federated Learning
von: Xu, Runhua, et al.
Veröffentlicht: (2025)

A Survey: Towards Privacy and Security in Mobile Large Language Models
von: Xu, Honghui, et al.
Veröffentlicht: (2025)

Enhancing Scalability of Metric Differential Privacy via Secret Dataset Partitioning and Benders Decomposition
von: Qiu, Chenxi
Veröffentlicht: (2024)

Scaling While Privacy Preserving: A Comprehensive Synthetic Tabular Data Generation and Evaluation in Learning Analytics
von: Liu, Qinyi, et al.
Veröffentlicht: (2024)

Privacy-Preserving Diffusion Model Using Homomorphic Encryption
von: Chen, Yaojian, et al.
Veröffentlicht: (2024)

Training Machine Learning Models on Encrypted Data: A Privacy-Preserving Framework using Homomorphic Encryption
von: Marques, Alexandre, et al.
Veröffentlicht: (2026)

Machine Unlearning: A Comprehensive Survey
von: Wang, Weiqi, et al.
Veröffentlicht: (2024)

Towards Privacy-Preserving LLM Inference via Covariant Obfuscation (Technical Report)
von: Lin, Yu, et al.
Veröffentlicht: (2026)

A Systematic Survey of Model Extraction Attacks and Defenses: State-of-the-Art and Perspectives
von: Zhao, Kaixiang, et al.
Veröffentlicht: (2025)

An Investigation into the Performances of the State-of-the-art Machine Learning Approaches for Various Cyber-attack Detection: A Survey
von: Ige, Tosin, et al.
Veröffentlicht: (2024)

MedHE: Communication-Efficient Privacy-Preserving Federated Learning with Adaptive Gradient Sparsification for Healthcare
von: Yesmin, Farjana
Veröffentlicht: (2025)

VFEFL: Privacy-Preserving Federated Learning against Malicious Clients via Verifiable Functional Encryption
von: Cai, Nina, et al.
Veröffentlicht: (2025)

Privacy Preservation and Identity Tracing Prevention in AI-Driven Eye Tracking for Interactive Learning Environments
von: Rehman, Abdul, et al.
Veröffentlicht: (2025)

FheFL: Fully Homomorphic Encryption Friendly Privacy-Preserving Federated Learning with Byzantine Users
von: Rahulamathavan, Yogachandran, et al.
Veröffentlicht: (2023)

Privacy-Preserving Heterogeneous Federated Learning for Sensitive Healthcare Data
von: Xu, Yukai, et al.
Veröffentlicht: (2024)

Enhancing Security and Privacy in Federated Learning using Low-Dimensional Update Representation and Proximity-Based Defense
von: Li, Wenjie, et al.
Veröffentlicht: (2024)

Privacy-Preserving Retrieval-Augmented Generation with Differential Privacy
von: Koga, Tatsuki, et al.
Veröffentlicht: (2024)