<?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 Formize.com блог</title><link>https://blog.formize.com/bg/tags/gan/</link><description>Recent content in GAN on Formize.com блог</description><generator>Hugo</generator><language>bg</language><atom:link href="https://blog.formize.com/bg/tags/gan/index.xml" rel="self" type="application/rss+xml"/><item><title>Диференциално частни синтетични данни за Edge Healthcare IoT</title><link>https://blog.formize.com/bg/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/bg/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="диференциално-частни-синтетични-данни-за-edge-healthcare-iot">Диференциално частни синтетични данни за Edge Healthcare IoT&lt;/h1>
&lt;h2 id="въведение">Въведение&lt;/h2>
&lt;p>Edge‑устройствата в медицината — носими монитори за сърдечен ритъм, глюкозни сензори, преносими ултразвукови сонди — генерират масивни потоци от лични здравни данни. Преместването на аналитиката към edge намалява латентността и разходите за пропускателна способност, но поставя и критичен въпрос: &lt;strong>Как можем да извлечем стойност от тези данни, без да разкриваме поверителността на пациентите?&lt;/strong>&lt;/p>
&lt;p>Генерирането на синтетични данни предлага обещаващ отговор. Като се обучи генеративен модел върху реални измервания и след това се публикуват само изходите на модела, организациите могат да споделят данни за изследвания, обучение на AI модели или междуинституционално сътрудничество, без никога да предават сурови пациентски записи. Въпреки това, наивните синтетични конвейери могат все още да изтичат чувствителна информация чрез атаки за обратен модел или инферентност за членство.&lt;/p></description></item></channel></rss>