<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>GAN on مدونة Formize.com</title><link>https://blog.formize.com/ar/tags/gan/</link><description>Recent content in GAN on مدونة Formize.com</description><generator>Hugo</generator><language>ar</language><atom:link href="https://blog.formize.com/ar/tags/gan/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></channel></rss>