XiaoMi-AI文件搜索系统
World File Search SystemPrivacy
Articulate 的 AI 安全和隐私
我们值得信赖的 AI 合作伙伴 我们精心挑选了我们的 AI 合作伙伴——ElevenLabs、OpenAI 和 DeepL——因为他们拥有专业知识和创新技术。每个合作伙伴都在增强我们的 AI 产品方面发挥着至关重要的作用。ElevenLabs 为文本转语音带来了自定义声音。以 ChatGPT 而闻名的 OpenAI 支持基于提示的 AI 操作。DeepL 翻译文本和文件。这些合作丰富了我们的 AI 功能，使我们能够满足客户多样化和动态的需求。
隐私、算法和人工智能
5 这项研究发现，预测高智商的最佳指标包括《雷暴》、《科尔伯特报告》、《科学》和《薯条》，而预测低智商的指标包括《丝芙兰》、《我爱做妈妈》、《哈雷戴维森》和《战前女士》。
Just AI 隐私政策
网站包含交互式内容，并可能包含第三方网站的链接，其他用户或第三方可能通过这些链接获得对您个人数据的授权或未经授权的访问。本隐私政策不适用于您向其他用户和/或第三方传达的个人数据的收集、处理或使用。为了您的最大利益，您应该熟悉个人数据保护规则以及其他用户和/或第三方实施的隐私保护。由于我们无法控制您在访问或使用交互式内容、链接或第三方网站时提供的数据，或者在您向其他用户和/或第三方传达个人数据的其他情况下提供的数据，因此对于因您在使用网站时传达个人数据而对您、其他用户和/或第三方造成的任何损害，我们概不负责。
数字经济中的支付和隐私
∗ 早期版本以“数字经济、隐私和 CBDC”为标题流传。我们要感谢我们的讨论者 Rod Garratt、Naveen Gondhi、Maxi Guennewig、Zhiguo He、Yunzhi Hu、Jing Huang、Charlie Kahn、Alexandr Kopytov、Andreea Minca、Maarten van Oordt、Anatoli Segura 和 Harald Uhlig，以及巴黎高等商学院、欧洲央行、瑞典中央银行、费城联邦储备银行、2022 年 CEPR 巴黎研讨会、CEMFI 关于 CBDC 的研讨会、阿姆斯特丹自由大学、加拿大银行、CEPR 会议“数字革命与货币政策：有什么新内容？”、第五届华盛顿大学夏季金融会议、EFA 2022（巴塞罗那）、2022 年 CEBRA 年会、第 21 届 FDIC 年度银行研究会议、支付经济学 XI 会议、巴黎高等商学院挑战时代的银行业会议、CB&DC 研讨会系列、MFA 2023（芝加哥）、 NFA 2023（多伦多）、CEPR-Bocconi 会议“支付和数字资产的未来”和 AFA 2024 的有用评论和建议。本文表达的观点为作者的观点，并不一定反映欧洲中央银行或欧元体系的观点。† 欧洲中央银行和 CEPR，toni.ahnert@ecb.europa.eu ‡ 欧洲中央银行，peter.hoffmann@ecb.europa.eu § 伯尔尼大学和 Gerzensee 研究中心，cyril.monnet@unibe.ch
人工智能、数据治理和隐私
最近的人工智能技术进步，特别是生成式人工智能的兴起，引发了许多数据治理和隐私问题。然而，人工智能和隐私政策社区通常独立解决这些问题，不同司法管辖区和法律体系采用的方法也不同。这些孤岛可能会产生误解，增加监管合规和执法的复杂性，并阻碍利用国家框架之间的共性。本报告重点关注最近人工智能发展带来的隐私风险和机遇。它将经合组织隐私指南中设定的原则映射到经合组织人工智能原则，评估国家和地区举措，并提出潜在的合作领域。该报告支持实施经合组织隐私指南以及经合组织人工智能原则。通过倡导国际合作，该报告旨在指导尊重和支持隐私的人工智能系统的发展。
商业数据隐私和创新...
商务部长骆家辉致辞 互联网是创新、经济增长和社会交流的绝佳平台。通过互联网，企业家可以进入全球市场，政治团体可以组织起来，大公司可以管理供应链并向客户提供服务。简而言之，互联网正在成为我们信息经济和社会的中枢神经系统。在过去 15 年里，个人电脑、移动电话和其他设备已经改变了我们获取和使用信息的方式。这些发展虽然强大、令人兴奋且富有创新性，但也带来了新的担忧。新设备和应用程序允许以有时可能违背许多消费者隐私期望的方式收集和使用个人信息。要以保护互联网巨大经济和社会价值而不扼杀创新的方式解决这些问题，就需要重新审视互联网政策。为此，2010 年 4 月，我成立了一个互联网政策工作组 (IPTF)，汇集了整个部门的技术、政策、贸易和法律专业知识。以下报告（或绿皮书）建议考虑制定一个新框架来解决美国的在线隐私问题。它建议美国政府阐明某些核心隐私原则，以确保基本的消费者保护，并且政府和利益相关者共同
隐私影响评估 (PIA)
美国能源部第 206.1 号命令《能源部隐私计划》将 PII 定义为该部门收集或维护的有关个人的任何信息，包括但不限于教育、金融交易、病史和犯罪或就业历史，以及可用于区分或追踪个人身份的信息，例如他/她的姓名、社会安全号码、出生日期和地点、母亲的娘家姓、生物特征数据，以及包括与特定个人关联或可关联的任何其他个人信息。
当地差异隐私不够
摘要 - 针对联邦学习（FL）的重建攻击旨在通过用户上传的梯度重建用户的样本。当地差异隐私（LDP）被视为针对各种攻击的有效防御，包括在佛罗里达州的样本重建，在佛罗里达州，梯度被剪切和扰动。现有的攻击在LDP中在FL中无效，因为被剪切和扰动梯度抑制了大多数样本信息以进行重建。此外，现有的攻击还将其他样本信息嵌入到梯度中，以改善攻击效果并导致梯度扩展，从而导致使用LDP在FL中进行更严重的梯度剪辑。在本文中，我们提出了针对基于LDP的FL的样本重建攻击，任何目标模型都可以重建受害者的敏感样本，以说明使用LDP的FL并非完美无瑕。考虑了LDP重建攻击和噪声中的梯度扩展，提出的攻击的核心是梯度压缩和重建的Sample deNoisis。对于梯度压缩，提出了基于样本特征的推理结构，以减少针对LDP的冗余梯度。对于重建的样品denoising，我们人为地引入零梯度，以观察噪声分布和尺度置信区间以过滤噪声。理论证明保证了拟议攻击的有效性。评估表明，拟议的攻击是唯一在基于LDP的FL中重新结构受害者培训样本的攻击，并且对目标模型的准确性几乎没有影响。我们得出的结论是，基于自然党的FL需要进一步改进，以防御样本重建攻击。