<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Homomorphic Encryption on Blog Formize.com</title><link>https://blog.formize.com/cs/tags/homomorphic-encryption/</link><description>Recent content in Homomorphic Encryption on Blog Formize.com</description><generator>Hugo</generator><language>cs</language><atom:link href="https://blog.formize.com/cs/tags/homomorphic-encryption/index.xml" rel="self" type="application/rss+xml"/><item><title>Bezpečná federovaná generace syntetických dat na okraji s homomorfním šifrováním</title><link>https://blog.formize.com/cs/secure-federated-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/cs/secure-federated-edge-synthetic-data-generation/</guid><description>&lt;h1 id="bezpečná-federovaná-generace-syntetických-dat-na-okraji-s-homomorfním-šifrováním">Bezpečná federovaná generace syntetických dat na okraji s homomorfním šifrováním&lt;/h1>
&lt;p>Ve světě, kde se regulace ochrany soukromí stále zpřísňují a zatížení AI na okraji exponenciálně roste, organizace čelí paradoxu: potřebují bohaté, rozmanité datové sady pro trénink modelů, ale nemohou přesouvat surová data do centralizovaných cloudů. &lt;strong>Syntetická data&lt;/strong> — uměle generované záznamy, které zachovávají statistické vlastnosti zdroje — nabízejí přesvědčivé řešení, ale jejich bezpečná generace na zařízeních na okraji přináší nové výzvy.&lt;/p></description></item><item><title>Bezpečná vícestranná spolupráce na syntetických datech s homomorfním šifrováním</title><link>https://blog.formize.com/cs/secure-multi-party-synthetic-data-collaboration/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/cs/secure-multi-party-synthetic-data-collaboration/</guid><description>&lt;h1 id="bezpečná-vícestranná-spolupráce-na-syntetických-datech-s-homomorfním-šifrováním">Bezpečná vícestranná spolupráce na syntetických datech s homomorfním šifrováním&lt;/h1>
&lt;p>V době, kdy jsou modely AI řízené daty konkurenční výhodou, &lt;strong>syntetická data&lt;/strong> představují silnou alternativu ke sdílení reálných záznamů. Když však více stran potřebuje &lt;strong>společně vytvářet&lt;/strong> syntetické datové sady – například při meziplánových výzkumech ve zdravotnictví, federovaných finančních analýzách nebo společných simulacích autonomních vozidel – stávají se soukromí, regulatorní soulad a důvěra hlavními překážkami.&lt;/p>
&lt;p>Tento článek představuje &lt;strong>rámec pro spolupráci zachovávající soukromí&lt;/strong>, který spojuje tři špičkové koncepty:&lt;/p></description></item><item><title>Generování syntetických dat na okraji pomocí homomorfního šifrování</title><link>https://blog.formize.com/cs/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/cs/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="generování-syntetických-dat-na-okraji-pomocí-homomorfního-šifrování">Generování syntetických dat na okraji pomocí homomorfního šifrování&lt;/h1>
&lt;h2 id="úvod">Úvod&lt;/h2>
&lt;p>Okrajová zařízení — chytré kamery, nositelná zařízení, průmyslové senzory — sbírají obrovské proudy osobních nebo proprietárních dat. Tradiční pipeline přesouvají tato surová data do cloudu k čištění, augmentaci nebo generování syntetických dat, čímž je vystavují zachycení, porušení regulací a penalizacím za latenci.&lt;/p>
&lt;p>&lt;strong>Homomorfní šifrování (HE)&lt;/strong> nabízí přesvědčivou alternativu: umožňuje výpočet přímo na šifrovaných datech, zachovává důvěrnost a přitom umožňuje sofistikovanou analytiku. Spojení HE s generátory syntetických dat na zařízení vytváří &lt;strong>pipeline pro syntetická data zachovávající soukromí&lt;/strong>, která nikdy neodhalí původní payload, ani samotnému výpočetnímu enginu.&lt;/p></description></item><item><title>Generování syntetických dat v reálném čase s ochranou soukromí na okraji pomocí homomorfního šifrování a federovaného učení</title><link>https://blog.formize.com/cs/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/cs/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="generování-syntetických-dat-v-reálném-čase-s-ochranou-soukromí-na-okraji-pomocí-homomorfního-šifrování-a-federovaného-učení">Generování syntetických dat v reálném čase s ochranou soukromí na okraji pomocí homomorfního šifrování a federovaného učení&lt;/h1>
&lt;h2 id="úvod">Úvod&lt;/h2>
&lt;p>Edge AI přechází od úloh pouze s inferencí k &lt;strong>datově‑centrickým&lt;/strong> pipeline, které vyžadují kontinuální aktualizace modelů, trénink na zařízení a generování syntetických dat. Zatímco syntetická data mohou dramaticky snížit potřebu nákladného sběru reálných dat, zároveň vyvolávají &lt;strong>obavy o soukromí&lt;/strong>, pokud zdrojová data pocházejí z uživatelských zařízení. Tradiční techniky anonymizace (maskování, diferencální soukromí) buď snižují užitečnost dat, nebo vyžadují důvěryhodnou centrální autoritu — což je v latencí‑citlivých okrajových scénářích nechtěné.&lt;/p></description></item><item><title>Zero Trust syntetická datová tkanina pro Edge AI</title><link>https://blog.formize.com/cs/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/cs/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="zero-trust-syntetická-datová-tkanina-pro-edge-ai">Zero Trust syntetická datová tkanina pro Edge AI&lt;/h1>
&lt;h2 id="1-proč-edge-ai-potřebuje-zero-trusthttpswwwnistgovcyberframework-syntetickou-datovou-tkaninu">1. Proč Edge AI potřebuje &lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">Zero Trust&lt;/a> syntetickou datovou tkaninu&lt;/h2>
&lt;p>Edge zařízení — průmyslové senzory, autonomní drony, chytré kamery a nositelná zařízení — jsou stále častěji zodpovědná za generování, zpracování a reakci na data v reálném čase. Na rozdíl od centralizovaných cloudů jsou edge prostředí &lt;strong>rozptýlená, heterogenní a často fungují v nepřátelských nebo špatně řízených sítích&lt;/strong>. Tradiční modely zabezpečení založené na perimetru nedokážou chránit citlivá data, která těmito uzly procházejí, zejména když jsou k doplnění nedostatku tréninkových vzorků používána syntetická data.&lt;/p></description></item></channel></rss>