<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Privacy on مدونة Formize.com</title><link>https://blog.formize.com/ar/categories/privacy/</link><description>Recent content in Privacy on مدونة Formize.com</description><generator>Hugo</generator><language>ar</language><atom:link href="https://blog.formize.com/ar/categories/privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>البيانات التركيبية الخاصة بالخصوصية التفاضلية لإنترنت الأشياء في الرعاية الصحية على الحافة</title><link>https://blog.formize.com/ar/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="البيانات-التركيبية-الخاصة-بالخصوصية-التفاضلية-لإنترنت-الأشياء-في-الرعاية-الصحية-على-الحافة">البيانات التركيبية الخاصة بالخصوصية التفاضلية لإنترنت الأشياء في الرعاية الصحية على الحافة&lt;/h1>
&lt;h2 id="المقدمة">المقدمة&lt;/h2>
&lt;p>الأجهزة الطبية المفعلة بالحافة — مثل مراقبات معدل القلب القابلة للارتداء، حساسات الجلوكوز، ومسبارات الموجات فوق الصوتية المحمولة — تُنتج تدفقات هائلة من المعلومات الصحية القابلة للتعريف شخصيًا. بينما يقلل نقل التحليلات إلى الحافة من زمن الاستجابة وتكاليف النطاق الترددي، يطرح سؤالًا حاسمًا: &lt;strong>كيف نستخرج القيمة من هذه البيانات دون كشف خصوصية المرضى؟&lt;/strong>&lt;/p>
&lt;p>توليد البيانات التركيبية يقدم إجابة واعدة. من خلال تدريب نموذج توليدي على القياسات الحقيقية ثم نشر مخرجات النموذج فقط، يمكن للمنظمات مشاركة البيانات لأغراض البحث، تدريب نماذج الذكاء الاصطناعي، أو التعاون بين المؤسسات دون نقل سجلات المرضى الخام أبدًا. ومع ذلك، قد تتسرب الأنابيب التركيبية الساذجة معلومات حساسة عبر هجمات عكس النموذج أو استدلال العضوية.&lt;/p></description></item><item><title>توليد بيانات اصطناعية خاصة تفاضليًا موجهة بالتعلم التعزيزي للذكاء الاصطناعي الطرفي</title><link>https://blog.formize.com/ar/reinforcement-learning-guided-differentially-private-synthet/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/reinforcement-learning-guided-differentially-private-synthet/</guid><description>&lt;h1 id="توليد-بيانات-اصطناعية-خاصة-تفاضليا-موجهة-بالتعلم-التعزيزي-للذكاء-الاصطناعي-الطرفي">توليد بيانات اصطناعية خاصة تفاضليًا موجهة بالتعلم التعزيزي للذكاء الاصطناعي الطرفي&lt;/h1>
&lt;h2 id="المقدمة">المقدمة&lt;/h2>
&lt;p>يُعيد الذكاء الاصطناعي الطرفي تشكيل الصناعات من المركبات الذاتية القيادة إلى مراقبة الصحة عن بُعد. من خلال نقل الاستدلال والتدريب أقرب إلى مصدر البيانات، تنخفض الكمون، ويقل استهلاك النطاق الترددي، وتتحسن سيادة البيانات. ومع ذلك، غالبًا ما تعمل الأجهزة الطرفية تحت لوائح خصوصية صارمة (&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a>، &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>، &lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>) وموارد حسابية محدودة. تُعد البيانات الاصطناعية—السجلات المُولَّدة صناعيًا التي تحافظ على الخصائص الإحصائية للبيانات الحقيقية—طريقة جذابة لمشاركة الرؤى دون كشف المعلومات الخام.&lt;/p></description></item><item><title>توليد بيانات اصطناعية مدعوم بالتشفير المتجانس على الحافة</title><link>https://blog.formize.com/ar/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="توليد-بيانات-اصطناعية-مدعوم-بالتشفير-المتجانس-على-الحافة">توليد بيانات اصطناعية مدعوم بالتشفير المتجانس على الحافة&lt;/h1>
&lt;h2 id="المقدمة">المقدمة&lt;/h2>
&lt;p>أجهزة الحافة — الكاميرات الذكية، الأجهزة القابلة للارتداء، حساسات الصناعة — تجمع تدفقات هائلة من البيانات الشخصية أو الملكية. تقوم الأنابيب التقليدية بنقل هذه البيانات الخام إلى السحابة للتنظيف أو التعزيز أو توليد البيانات الاصطناعية، مما يعرضها للاعتراض، خروقات التنظيم، وعقوبات التأخير.&lt;/p>
&lt;p>&lt;strong>التشفير المتجانس (HE)&lt;/strong> يقدم بديلاً جذابًا: يسمح بالعمليات مباشرةً على البيانات المشفرة، محافظًا على السرية مع تمكين التحليلات المتقدمة. دمج HE مع مولدات البيانات الاصطناعية على الجهاز يخلق &lt;strong>خط أنابيب بيانات اصطناعية يحافظ على الخصوصية&lt;/strong> لا يكشف أبدًا عن الحمولة الأصلية، حتى لمحرك الحوسبة نفسه.&lt;/p></description></item><item><title>توليد بيانات اصطناعية مضمونة الخصوصية في الوقت الحقيقي على الحافة باستخدام التشفير المتجانس والتعلم المتحد</title><link>https://blog.formize.com/ar/real-time-privacy-preserving-synthetic-data-generation-at-th/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="توليد-بيانات-اصطناعية-مضمونة-الخصوصية-في-الوقت-الحقيقي-على-الحافة-باستخدام-التشفير-المتجانس-والتعلم-المتحد">توليد بيانات اصطناعية مضمونة الخصوصية في الوقت الحقيقي على الحافة باستخدام التشفير المتجانس والتعلم المتحد&lt;/h1>
&lt;h2 id="المقدمة">المقدمة&lt;/h2>
&lt;p>يتحول الذكاء الاصطناعي على الحافة من أعباء عمل تقتصر على الاستدلال إلى خطوط أنابيب &lt;strong>مركزة على البيانات&lt;/strong> تتطلب تحديثات مستمرة للنماذج، وتدريبًا على الجهاز، وتوليد بيانات اصطناعية. بينما يمكن للبيانات الاصطناعية أن تقلل بشكل كبير من الحاجة إلى جمع بيانات واقعية مكلفة، فإنها تثير أيضًا مخاوف &lt;strong>خصوصية&lt;/strong> عندما تكون البيانات المصدرية من أجهزة المستخدمين. تقنيات إخفاء الهوية التقليدية (التقنيع، الخصوصية التفاضلية) إما تُضعف فائدة البيانات أو تتطلب سلطة مركزية موثوقة—كلاهما غير مرغوب فيه في سيناريوهات الحافة الحساسة للزمن.&lt;/p></description></item><item><title>توليد بيانات تركيبية ديناميكية على الحافة بدمج التعلم المتحد والثقة الصفرية وضوابط الخصوصية في الوقت الحقيقي</title><link>https://blog.formize.com/ar/edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/edge-synthetic-data-generation/</guid><description>&lt;h1 id="توليد-بيانات-تركيبية-ديناميكية-على-الحافة-بدمج-التعلم-المتحد-والثقة-الصفرية-وضوابط-الخصوصية-في-الوقت-الحقيقي">توليد بيانات تركيبية ديناميكية على الحافة بدمج التعلم المتحد والثقة الصفرية وضوابط الخصوصية في الوقت الحقيقي&lt;/h1>
&lt;h2 id="المقدمة">المقدمة&lt;/h2>
&lt;p>أصبحت البيانات التركيبية حجر الزاوية لتدريب نماذج التعلم الآلي عندما تكون البيانات الواقعية نادرة أو حساسة أو مكلفة الحصول عليها. تعمل خطوط أنابيب البيانات التركيبية التقليدية في مراكز بيانات مركزية، حيث تُسحب البيانات الخام من مصادر متعددة، وتُطبق التحولات التي تحافظ على الخصوصية، ثم تُوزع البيانات المُولَّدة على المستهلكين النهائيين. وعلى الرغم من فعاليتها، فإن هذا النموذج يضيف تأخيرًا، وزيادة في استهلاك النطاق الترددي، ونقطة فشل واحدة للامتثال للخصوصية.&lt;/p></description></item><item><title>ضغط البيانات التركيبية الخاصة بالخصوصية التفاضلية للنقل على الحافة ذات النطاق المنخفض</title><link>https://blog.formize.com/ar/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="ضغط-البيانات-التركيبية-الخاصة-بالخصوصية-التفاضلية-للنقل-على-الحافة-ذات-النطاق-المنخفض">ضغط البيانات التركيبية الخاصة بالخصوصية التفاضلية للنقل على الحافة ذات النطاق المنخفض&lt;/h1>
&lt;h2 id="المقدمة">المقدمة&lt;/h2>
&lt;p>أجهزة الحافة—الكاميرات الذكية، الأجهزة القابلة للارتداء، حساسات الصناعة—تولد بشكل متزايد تدفقات هائلة من البيانات التي تحتاج إلى مشاركتها مع منصات التحليل المركزية. غالبًا ما يكون نقل البيانات الخام غير قابل للتنفيذ بسبب النطاق المحدود، قيود الطاقة، واللوائح الصارمة للخصوصية مثل &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> و&lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>. برز توليد البيانات التركيبية كتقنية قوية لمشاركة المعلومات المفيدة مع حماية البيانات الشخصية الخام. ومع ذلك، قد تكون مجموعات البيانات التركيبية كبيرة، خاصةً عندما تحافظ على الهياكل عالية الأبعاد المطلوبة لنماذج الذكاء الاصطناعي اللاحقة.&lt;/p></description></item></channel></rss>