Buchumschlag

Protecting Private Code in IDE Autocomplete using Differential Privacy

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Grigorenko, Evgeny, Stanojević, David, Ilić, David, Bogomolov, Egor, Cvejoski, Kostadin
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cryptography and Security Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Powerful Training-Free Membership Inference Against Autoregressive Language Models
von: Ilić, David, et al.
Veröffentlicht: (2026)

Learning the Signature of Memorization in Autoregressive Language Models
von: Ilić, David, et al.
Veröffentlicht: (2026)

Towards Privacy-Preserving Code Generation: Differentially Private Code Language Models
von: Catal, Melih, et al.
Veröffentlicht: (2025)

Can Differentially Private Fine-tuning LLMs Protect Against Privacy Attacks?
von: Du, Hao, et al.
Veröffentlicht: (2025)

Privacy-Preserving Federated Learning with Differentially Private Hyperdimensional Computing
von: Piran, Fardin Jalil, et al.
Veröffentlicht: (2024)

Differentially Private Block-wise Gradient Shuffle for Deep Learning
von: Zagardo, David
Veröffentlicht: (2024)

Locally Differentially Private In-Context Learning
von: Zheng, Chunyan, et al.
Veröffentlicht: (2024)

Protect Your Score: Contact Tracing With Differential Privacy Guarantees
von: Romijnders, Rob, et al.
Veröffentlicht: (2023)

Too Good to be True? Turn Any Model Differentially Private With DP-Weights
von: Zagardo, David
Veröffentlicht: (2024)

AXE: An Agentic eXploit Engine for Confirming Zero-Day Vulnerability Reports
von: Sajadi, Amirali, et al.
Veröffentlicht: (2026)

Differential Privacy Overview and Fundamental Techniques
von: Fioretto, Ferdinando, et al.
Veröffentlicht: (2024)

VaultGemma: A Differentially Private Gemma Model
von: Sinha, Amer, et al.
Veröffentlicht: (2025)

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

Privacy Assessment of Federated Learning using Private Personalized Layers
von: Jourdan, Théo, et al.
Veröffentlicht: (2021)

Towards Confidential and Efficient LLM Inference with Dual Privacy Protection
von: Yu, Honglan, et al.
Veröffentlicht: (2025)

Unlocking Apple's Private Cloud Compute: An Analysis of Privacy-Preserving Artificial Intelligence
von: Dittmar, Yannik, et al.
Veröffentlicht: (2026)

Private Seeds, Public LLMs: Realistic and Privacy-Preserving Synthetic Data Generation
von: Ma, Qian, et al.
Veröffentlicht: (2026)

PrivateXR: Defending Privacy Attacks in Extended Reality Through Explainable AI-Guided Differential Privacy
von: Kundu, Ripan Kumar, et al.
Veröffentlicht: (2025)

Investigating the Impact of Quantization Methods on the Safety and Reliability of Large Language Models
von: Kharinaev, Artyom, et al.
Veröffentlicht: (2025)

User Behavior Analysis in Privacy Protection with Large Language Models: A Study on Privacy Preferences with Limited Data
von: Yang, Haowei, et al.
Veröffentlicht: (2025)

Differentially Private Federated Low Rank Adaptation Beyond Fixed-Matrix
von: Wen, Ming, et al.
Veröffentlicht: (2025)

DPImageBench: A Unified Benchmark for Differentially Private Image Synthesis
von: Gong, Chen, et al.
Veröffentlicht: (2025)

Differentially Private Rankings via Outranking Methods and Performance Data Aggregation
von: Del Vasto-Terrientes, Luis
Veröffentlicht: (2025)

PPBFL: A Privacy Protected Blockchain-based Federated Learning Model
von: Li, Yang, et al.
Veröffentlicht: (2024)

Clients Collaborate: Flexible Differentially Private Federated Learning with Guaranteed Improvement of Utility-Privacy Trade-off
von: Li, Yuecheng, et al.
Veröffentlicht: (2024)

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

From Easy to Hard: Building a Shortcut for Differentially Private Image Synthesis
von: Li, Kecen, et al.
Veröffentlicht: (2025)

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

Differential Privacy in Generative AI Agents: Analysis and Optimal Tradeoffs
von: Yang, Ya-Ting, et al.
Veröffentlicht: (2026)

Connect the dots: Dataset Condensation, Differential Privacy, and Adversarial Uncertainty
von: Odoh, Kenneth
Veröffentlicht: (2024)

Differentially Private Model Merging
von: Yin, Qichuan, et al.
Veröffentlicht: (2026)

NOIR: Privacy-Preserving Generation of Code with Open-Source LLMs
von: Nguyen, Khoa, et al.
Veröffentlicht: (2026)

Casper: Prompt Sanitization for Protecting User Privacy in Web-Based Large Language Models
von: Chong, Chun Jie, et al.
Veröffentlicht: (2024)

VMask: Tunable Label Privacy Protection for Vertical Federated Learning via Layer Masking
von: Tan, Juntao, et al.
Veröffentlicht: (2025)

Differential Privacy in Federated Learning: Mitigating Inference Attacks with Randomized Response
von: Ozturk, Ozer, et al.
Veröffentlicht: (2025)

Provable Privacy with Non-Private Pre-Processing
von: Hu, Yaxi, et al.
Veröffentlicht: (2024)

Dual-Priv Pruning : Efficient Differential Private Fine-Tuning in Multimodal Large Language Models
von: Wei, Qianshan, et al.
Veröffentlicht: (2025)

Explainable Machine Learning-Based Security and Privacy Protection Framework for Internet of Medical Things Systems
von: Si-ahmed, Ayoub, et al.
Veröffentlicht: (2024)

RAG with Differential Privacy
von: Grislain, Nicolas
Veröffentlicht: (2024)

Differentially Private Retrieval-Augmented Generation
von: Tang, Tingting, et al.
Veröffentlicht: (2026)