help研究问题隐私增强技术
基于差分隐私的数据生成和主动学习方法能否提高标注效率并降低隐私泄露风险？UbiComp '23Sandbox AI: We Don’t Trust Each Other but Want to Create New Value Efficiently Through Collaboration Using Sensitive Data
隐私、安全与身份 / 隐私增强技术
基于差分隐私的数据生成和主动学习方法能否提高标注效率并降低隐私泄露风险？
同类问题
相关论文
CHI 2025
使用匿名讨论平台支持组织中关于网络安全的开放对话
Eve Jenkins, Dinislam Abdulgalimov, Pamela Briggs
CHI 2025
理解智能合约中终端用户对转移风险的感知
Yustynn Panicker, Ezekiel Soremekun, Sudipta Chattopadhyay
CHI 2025
弥合可用安全研究与开源实践之间的差距——与VeraCrypt长期合作的经验教训
Felix Reichmann, Annalina Buckmann, Konstantin Fischer
CHI 2024
不要把所有的鸡蛋放在一个篮子里：加密货币用户如何选择和保护他们的钱包
Yaman Yu, Tanusree Sharma, Sauvik Das
CHI 2024
心理模型、预期及客户端扫描的含义：一项对专家的访谈研究
Divyanshu Bhardwaj, Carolyn Guthoff, Adrian Dabrowski
UbiComp 2023
通过减轻边缘案例后门攻击实现普适计算的稳健联邦学习
Fatima Elhattab, Sara Bouchenak, Rania Talbi
CHI 2023
学习通过在线安全空间导航健康禁忌
Hannah Tam, Karthik S Bhat, Priyanka Mohindra
CHI 2023
不要看数据！差分隐私如何重构数据科学实践
Jayshree Sarathy, Sophia Song, Audrey Haque
CHI 2021
Crypto中的U代表可用性：一项关于移动加密货币钱包用户体验的实证研究
Artemij Voskobojnikov, Oliver Wiese, Masoud Mehrabi Koushki
CHI 2021
与早期社交媒体用户合作为社会福祉进行原型设计
Linda Charmaraman, Catherine Grevet Delcourt
CHI 2021
COVID-19大流行期间社交媒体平台上的痛苦披露：解开平台、功能和受众的影响
Renwen Zhang, Natalya N. Bazarova, Madhu Reddy
CHI 2021
探索隐私保护计算发展中设计和治理挑战
Nitin Agrawal, Reuben Binns, Max Van Kleek