BEGIN:VCALENDAR
VERSION:2.0
PRODID:-//datacraft - ECPv6.16.3//NONSGML v1.0//EN
CALSCALE:GREGORIAN
METHOD:PUBLISH
X-WR-CALNAME:datacraft
X-ORIGINAL-URL:https://datacraft.paris
X-WR-CALDESC:Events for datacraft
REFRESH-INTERVAL;VALUE=DURATION:PT1H
X-Robots-Tag:noindex
X-PUBLISHED-TTL:PT1H
BEGIN:VTIMEZONE
TZID:Europe/Paris
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20250330T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20251026T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20260329T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20261025T010000
END:STANDARD
BEGIN:DAYLIGHT
TZOFFSETFROM:+0100
TZOFFSETTO:+0200
TZNAME:CEST
DTSTART:20270328T010000
END:DAYLIGHT
BEGIN:STANDARD
TZOFFSETFROM:+0200
TZOFFSETTO:+0100
TZNAME:CET
DTSTART:20271031T010000
END:STANDARD
END:VTIMEZONE
BEGIN:VEVENT
DTSTART;TZID=Europe/Paris:20260416T170000
DTEND;TZID=Europe/Paris:20260416T200000
DTSTAMP:20260601T222626
CREATED:20260318T102323Z
LAST-MODIFIED:20260318T102627Z
UID:18730-1776358800-1776369600@datacraft.paris
SUMMARY:REX - Breaking Privacy in LLM to Understand It : an approach  through Membership Inference
DESCRIPTION:S’inscrire à l’événement\n\npar Dr. Eric Aubinais\, chercheur au Laboratoire de mathématiques d’Orsay (Université Paris-Saclay) \nLes modèles de machine learning étant de plus en plus utilisés dans des domaines sensibles\, garantir la confidentialité des données devient un enjeu central. Cela nécessite non seulement des garanties théoriques\, mais aussi des outils concrets pour évaluer et maîtriser les risques. \nSi des cadres comme la Differential Privacy offrent certaines garanties\, cet atelier propose une approche alternative : considérer les menaces elles-mêmes comme point de départ pour définir et analyser la confidentialité.\nNous nous concentrerons en particulier sur les attaques de membership inference. Celles-ci consistent à déterminer si une donnée spécifique a été utilisée pour entraîner un modèle\, révélant ainsi un risque direct de fuite d’information. Nous introduirons comment sont réalisées ce type d’attaques et pourquoi elles sont possibles avec les LLM actuels. \nÀ travers cette perspective\, Dr Aubinais montrera comment :\n• mesurer et contrôler précisément les risques de fuite de données\,\n• mettre en évidence des limites fondamentales (résultats d’impossibilité)\,\n• et définir des métriques adaptées\, notamment pour les modèles quantifiés. \nCette approche ouvre la voie à une méthodologie pratique permettant d’évaluer et d’optimiser le compromis entre confidentialité et performance.\nAppliquée à des tâches comme la prédiction moléculaire\, sur des modèles allant jusqu’à 8B+ paramètres\, cette méthodologie montre des résultats prometteurs :\n• jusqu’à 90 % de réduction du temps d’évaluation\,\n• et de nouvelles perspectives pour l’optimisation des modèles. \n\nS’inscrire à l’événement
URL:https://datacraft.paris/event/rex-breaking-privacy-in-llm-to-understand-it-an-approach-through-membership-inference/
LOCATION:Le Village By CA –\, 55 rue la Boétie\, 75008 Paris\, 75008\, France
CATEGORIES:Hybrid event,in French
END:VEVENT
END:VCALENDAR