Spotify's engineering team developed the 2025 "Wrapped Archive," generating 1.4 billion personalized reports for 350 million users. This system identifies key listening days and crafts narratives...

A self-contained, privacy-focused retrieval-augmented generation (RAG) system that keeps all data local.

All web browsing starts with a DNS query to find the IP address for the desired service or website. For much of the internet’s history, this query is sent in the clear. DNS-over-HTTPS (DoH) plugs...

Matt Holt, managing director and president of private equity at New Mountain Capital, on better data privacy standards and creating an efficient, patient-centric system with private capital investment.

For marketers, understanding how a campaign performed shouldn’t come at the cost of ceding proprietary data, or time-consuming integration acrobatics, with the platforms they run on. But that’s...

Firefox is expanding its AI-powered features, all designed to keep your data private. We believe technology should serve you, not monitor you. Our team understands the importance of privacy,...

What if you could increase conversations — without collecting more data? You’ve probably been told you need to collect more data to get better results. But with smarter tools and better...

本研究分析了噪声标签对离线对齐的影响，探讨了隐私与抗对抗破坏之间的互动，发现局部差分隐私在遭受破坏时面临更大挑战，推动了相关理论的发展。

本研究探讨了云计算时代共享敏感数据时的数据隐私保护问题。结合联邦学习和大型语言模型，提出了一种新颖的跨云架构，确保模型更新的隐私和完整性，同时提高训练效率和决策能力。实验结果表明，该方法在准确性和隐私保护方面优于传统模型。

本文提出了一种基于超平面的数据重构攻击方法，针对联邦学习中的隐私保护缺陷。该方法不依赖于客户端数据分布假设，能够在分类任务中完美恢复任意大小的数据批次，从而显著提高安全性。

本研究提出了一种隐私感知无线协作专家混合模型（PWC-MoE），旨在解决带宽受限环境中大型语言模型的隐私保护与性能矛盾。该模型通过动态路由敏感与非敏感数据，并结合负载均衡机制，有效平衡计算成本、性能和隐私保护。实验结果表明，该框架在保护隐私的同时，能够在带宽有限的情况下保持高性能，具有实用潜力。

本研究提出了一种创新的隐私保护对齐算法DP-AdamW，旨在解决大型语言模型对齐中的隐私问题。在中等隐私预算下，该算法结合直接偏好优化(DPO)，使对齐质量提升15%，为隐私保护与对齐效率的平衡提供了实用指导。

本研究探讨了机器学习服务中的模型提取攻击对隐私和可解释性的影响。通过差分隐私技术，研究了不同策略在模型训练和生成对比解释中的应用，结果表明合理运用差分隐私策略可有效提升隐私保护与可解释性，同时保持良好的预测性能。

本研究分析了异构设备在联邦学习中的效率、公平性和隐私权衡。比较FedAvg和FedAsync后发现，异步方法加速收敛，但增加了高端设备的隐私损失和公平性问题，提示需优化聚合和隐私机制。

本研究提出了一种双阶段合并可转移可逆攻击方法，有效解决了黑箱攻击中的有效性不足问题。实验结果表明，该方法在黑箱场景下实现了99.0%的攻击成功率和100%的恢复率，展现出优越的隐私保护能力。

本文提出了一种名为FFT增强卡尔曼滤波器（FFTKF）的差分隐私优化方法，旨在解决DP-SGD中噪声导致模型效用下降的问题。FFTKF结合频域噪声塑形与卡尔曼滤波，提升了梯度质量，保持了差分隐私保证，显著提高了测试准确性。

本研究提出了两种概率驱动的时间脉冲变换方法，以解决脉冲神经网络中传统神经元建模的复杂性。这些方法在增强隐私性和学习性能的同时，保持了可扩展性。实验结果表明，这些时间动态提高了脉冲神经系统的生物合理性和泛化能力。

本研究探讨了可解释人工智能（XAI）中隐私与可解释性之间的矛盾，提出了一种隐私保护解释框架，以帮助理解符合隐私要求的XAI特征，并提供实现隐私保护XAI的建议。