<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Differential Privacy on مدونة Formize.com</title><link>https://blog.formize.com/ar/tags/differential-privacy/</link><description>Recent content in Differential Privacy on مدونة Formize.com</description><generator>Hugo</generator><language>ar</language><atom:link href="https://blog.formize.com/ar/tags/differential-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 صناعية متعددة‑الوضعية متكيفة باستخدام TinyML والخصوصية التفاضلية للأجهزة الطرفية ذات الطاقة المحدودة</title><link>https://blog.formize.com/ar/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</guid><description>&lt;h1 id="توليد-بيانات-صناعية-متعددةالوضعية-متكيفة-باستخدام-tinyml-والخصوصية-التفاضلية-للأجهزة-الطرفية-ذات-الطاقة-المحدودة">توليد بيانات صناعية متعددة‑الوضعية متكيفة باستخدام TinyML والخصوصية التفاضلية للأجهزة الطرفية ذات الطاقة المحدودة&lt;/h1>
&lt;h2 id="المقدمة">المقدمة&lt;/h2>
&lt;p>الأجهزة الطرفية — من الساعات القابلة للارتداء وأجهزة الاستشعار الصناعية إلى الطائرات بدون طيار المستقلة — يُتوقع منها بشكل متزايد &lt;strong>التعلم&lt;/strong> و&lt;strong>التكيف&lt;/strong> دون الاعتماد على اتصال سحابي مستمر. يمكن لتوليد البيانات الصناعية على الطرف أن يخفف من نقص البيانات، يقلل من الكمون، ويحمي خصوصية المستخدم. ومع ذلك، تهيمن ثلاث تحديات على المشهد:&lt;/p>
&lt;ol>
&lt;li>&lt;strong>قيود الموارد&lt;/strong> – وحدة معالجة مركزية، ذاكرة، وخاصة عمر البطارية محدود.&lt;/li>
&lt;li>&lt;strong>تعقيد متعدد‑الوضعيات&lt;/strong> – العديد من حالات الاستخدام الطرفية تشمل تدفقات صوت، فيديو، ومستشعرات في آن واحد.&lt;/li>
&lt;li>&lt;strong>الامتثال للخصوصية&lt;/strong> – اللوائح 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> تتطلب ضمانات خصوصية صارمة حتى للبيانات التي تُولد محليًا.&lt;/li>
&lt;/ol>
&lt;p>تقدم هذه المقالة &lt;strong>إطار عمل فريد ومتكيّف&lt;/strong> يجمع بين &lt;strong>TinyML&lt;/strong>، &lt;strong>توليد البيانات الصناعية متعدد‑الوضعيات&lt;/strong>، و&lt;strong>الخصوصية التفاضلية (DP)&lt;/strong>. يقوم الحل بتوسيع حمله الحسابي ديناميكيًا بناءً على حالة البطارية، يختار النموذج التوليدي الأنسب لكل وضعية، ويضيف ضوضاء مُعَدَّلة لتلبية ميزانيات الخصوصية الصارمة — كل ذلك مع البقاء داخل حدود الطاقة الضيقة للأجهزة الطرفية الحديثة.&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><item><title>نسيج بيانات صناعية صفر الثقة للذكاء الاصطناعي على الحافة</title><link>https://blog.formize.com/ar/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ar/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="نسيج-بيانات-صناعية-صفر-الثقة-للذكاء-الاصطناعي-على-الحافة">نسيج بيانات صناعية صفر الثقة للذكاء الاصطناعي على الحافة&lt;/h1>
&lt;h2 id="1-لماذا-يحتاج-الذكاء-الاصطناعي-على-الحافة-إلى-نسيج-بيانات-صناعية-zero-trusthttpswwwnistgovcyberframework">1. لماذا يحتاج الذكاء الاصطناعي على الحافة إلى نسيج بيانات صناعية &lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">Zero Trust&lt;/a>&lt;/h2>
&lt;p>الأجهزة الطرفية — المستشعرات الصناعية، الطائرات بدون طيار المستقلة، الكاميرات الذكية، والأجهزة القابلة للارتداء — أصبحت مسؤولة بشكل متزايد عن توليد ومعالجة واتخاذ إجراءات بناءً على البيانات في الوقت الفعلي. على عكس السحب المركزية، بيئات الحافة &lt;strong>موزعة، غير متجانسة، وغالبًا ما تعمل في شبكات معادية أو غير مُتحكم فيها جيدًا&lt;/strong>. نماذج الأمان التقليدية القائمة على الحدود تفشل في حماية البيانات الحساسة التي تمر عبر هذه العقد، خاصة عندما تُستخدم البيانات الصناعية لتوسيع عينات التدريب القليلة.&lt;/p></description></item></channel></rss>