<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Real-Time on Formize.com блог</title><link>https://blog.formize.com/bg/tags/real-time/</link><description>Recent content in Real-Time on Formize.com блог</description><generator>Hugo</generator><language>bg</language><atom:link href="https://blog.formize.com/bg/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><item><title>Генериране на синтетични данни в реално време с запазване на поверителността на ръба, използвайки хомоморфно криптиране и федеративно обучение</title><link>https://blog.formize.com/bg/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/bg/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="генериране-на-синтетични-данни-в-реално-време-с-запазване-на-поверителността-на-ръба-използвайки-хомоморфно-криптиране-и-федеративно-обучение">Генериране на синтетични данни в реално време с запазване на поверителността на ръба, използвайки хомоморфно криптиране и федеративно обучение&lt;/h1>
&lt;h2 id="въведение">Въведение&lt;/h2>
&lt;p>Edge AI преминава от задачи, базирани само на инференция, към &lt;strong>данни‑центрирани&lt;/strong> конвейери, които изискват непрекъснати актуализации на модели, обучение на устройството и генериране на синтетични данни. Докато синтетичните данни могат значително да намалят нуждата от скъпа събиране на реални данни, те също така пораждат &lt;strong>проблеми с поверителността&lt;/strong>, когато изходните данни произхождат от потребителските устройства. Традиционните техники за анонимизиране (маскиране, диференциална поверителност) или намаляват полезността на данните, или изискват доверен централен орган – и двете са нежелани за латентност‑чувствителни edge сценарии.&lt;/p></description></item></channel></rss>