Buchumschlag

Privacy Preservation through Practical Machine Unlearning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Dilworth, Robert
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Dark Deceptions in DHCP: Dismantling Network Defenses
von: Dilworth, Robert
Veröffentlicht: (2025)

Efficient Federated Unlearning with Adaptive Differential Privacy Preservation
von: Jiang, Yu, et al.
Veröffentlicht: (2024)

Applications of Positive Unlabeled (PU) and Negative Unlabeled (NU) Learning in Cybersecurity
von: Dilworth, Robert, et al.
Veröffentlicht: (2024)

Harnessing PU Learning for Enhanced Cloud-based DDoS Detection: A Comparative Analysis
von: Dilworth, Robert, et al.
Veröffentlicht: (2024)

Agentic Privacy-Preserving Machine Learning
von: Zhang, Mengyu, et al.
Veröffentlicht: (2025)

Efficient Unlearning with Privacy Guarantees
von: Domingo-Ferrer, Josep, et al.
Veröffentlicht: (2025)

SSNet: A Lightweight Multi-Party Computation Scheme for Practical Privacy-Preserving Machine Learning Service in the Cloud
von: Duan, Shijin, et al.
Veröffentlicht: (2024)

Rectifying Privacy and Efficacy Measurements in Machine Unlearning: A New Inference Attack Perspective
von: Naderloui, Nima, et al.
Veröffentlicht: (2025)

ACU: Analytic Continual Unlearning for Efficient and Exact Forgetting with Privacy Preservation
von: Tang, Jianheng, et al.
Veröffentlicht: (2025)

Adversarial Machine Unlearning
von: Di, Zonglin, et al.
Veröffentlicht: (2024)

Contrastive Unlearning: A Contrastive Approach to Machine Unlearning
von: Lee, Hong kyu, et al.
Veröffentlicht: (2024)

BadFU: Backdoor Federated Learning through Adversarial Machine Unlearning
von: Lu, Bingguang, et al.
Veröffentlicht: (2025)

Secure Sparse Matrix Multiplications and their Applications to Privacy-Preserving Machine Learning
von: Damie, Marc, et al.
Veröffentlicht: (2025)

Data-Free Privacy-Preserving for LLMs via Model Inversion and Selective Unlearning
von: Zhou, Xinjie, et al.
Veröffentlicht: (2026)

Verification of Machine Unlearning is Fragile
von: Zhang, Binchi, et al.
Veröffentlicht: (2024)

Calibrating Practical Privacy Risks for Differentially Private Machine Learning
von: Gu, Yuechun, et al.
Veröffentlicht: (2024)

A Novel Review of Stability Techniques for Improved Privacy-Preserving Machine Learning
von: DuPlessie, Coleman, et al.
Veröffentlicht: (2024)

The Normal Distributions Indistinguishability Spectrum and its Application to Privacy-Preserving Machine Learning
von: Wei, Yu, et al.
Veröffentlicht: (2023)

SFPDML: Securer and Faster Privacy-Preserving Distributed Machine Learning based on MKTFHE
von: Wang, Hongxiao, et al.
Veröffentlicht: (2022)

SoK: Privacy Preserving Machine Learning using Functional Encryption: Opportunities and Challenges
von: Panzade, Prajwal, et al.
Veröffentlicht: (2022)

Privacy-Preserving Machine Learning for IoT: A Cross-Paradigm Survey and Future Roadmap
von: Zaman, Zakia, et al.
Veröffentlicht: (2026)

Breaking the Trilemma of Privacy, Utility, Efficiency via Controllable Machine Unlearning
von: Liu, Zheyuan, et al.
Veröffentlicht: (2023)

Comparison of Fully Homomorphic Encryption and Garbled Circuit Techniques in Privacy-Preserving Machine Learning Inference
von: Cheerla, Kalyan, et al.
Veröffentlicht: (2025)

GuardML: Efficient Privacy-Preserving Machine Learning Services Through Hybrid Homomorphic Encryption
von: Frimpong, Eugene, et al.
Veröffentlicht: (2024)

Hawk: Accurate and Fast Privacy-Preserving Machine Learning Using Secure Lookup Table Computation
von: Saleem, Hamza, et al.
Veröffentlicht: (2024)

Towards Irreversible Machine Unlearning for Diffusion Models
von: Yuan, Xun, et al.
Veröffentlicht: (2025)

Forget to Flourish: Leveraging Machine-Unlearning on Pretrained Language Models for Privacy Leakage
von: Rashid, Md Rafi Ur, et al.
Veröffentlicht: (2024)

Data Privacy Preservation on the Internet of Things
von: Sen, Jaydip, et al.
Veröffentlicht: (2023)

Preserving Privacy and Security in Federated Learning
von: Nguyen, Truc, et al.
Veröffentlicht: (2022)

Privacy-Preserving Graph-Based Machine Learning with Fully Homomorphic Encryption for Collaborative Anti-Money Laundering
von: Effendi, Fabrianne, et al.
Veröffentlicht: (2024)

Privacy-Preserving In-Context Learning with Differentially Private Few-Shot Generation
von: Tang, Xinyu, et al.
Veröffentlicht: (2023)

SoK: Machine Unlearning for Large Language Models
von: Ren, Jie, et al.
Veröffentlicht: (2025)

TAPE: Tailored Posterior Difference for Auditing of Machine Unlearning
von: Wang, Weiqi, et al.
Veröffentlicht: (2025)

Distributional Machine Unlearning via Selective Data Removal
von: Allouah, Youssef, et al.
Veröffentlicht: (2025)

Reconstruction Attacks on Machine Unlearning: Simple Models are Vulnerable
von: Bertran, Martin, et al.
Veröffentlicht: (2024)

Privacy-Preserving Inference for Quantized BERT Models
von: Lu, Tianpei, et al.
Veröffentlicht: (2025)

Privacy-Preserving Vertical K-Means Clustering
von: Mazzone, Federico, et al.
Veröffentlicht: (2025)

Privacy-Preserving Fair Synthetic Tabular Data
von: Sarmin, Fatima J., et al.
Veröffentlicht: (2025)

Privacy Preserving Reinforcement Learning for Population Processes
von: Yang-Zhao, Samuel, et al.
Veröffentlicht: (2024)

Privacy-Preserving Hierarchical Model-Distributed Inference
von: Dehkordi, Fatemeh Jafarian, et al.
Veröffentlicht: (2024)