<?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 Blog</title><link>https://blog.formize.com/da/tags/real-time/</link><description>Recent content in Real-Time on Formize.com Blog</description><generator>Hugo</generator><language>da</language><atom:link href="https://blog.formize.com/da/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><item><title>Realtime privatlivsbevarende syntetisk datagenerering på kanten ved brug af homomorfisk kryptering og federeret læring</title><link>https://blog.formize.com/da/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/da/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="realtime-privatlivsbevarende-syntetisk-datagenerering-på-kanten-ved-brug-af-homomorfisk-kryptering-og-federeret-læring">Realtime privatlivsbevarende syntetisk datagenerering på kanten ved brug af homomorfisk kryptering og federeret læring&lt;/h1>
&lt;h2 id="introduktion">Introduktion&lt;/h2>
&lt;p>Edge‑AI bevæger sig fra kun‑inference‑arbejdsbelastninger til &lt;strong>datacentraliserede&lt;/strong> pipelines, der kræver kontinuerlige modelopdateringer, on‑device‑træning og syntetisk datagenerering. Selvom syntetisk data kan reducere behovet for dyr indsamling af virkelige data dramatisk, rejser det også &lt;strong>privatlivs&lt;/strong>‑bekymringer, når kilde‑dataene stammer fra brugernes enheder. Traditionelle anonymiseringsteknikker (maskering, differentiel privatliv) enten forringer datautnyttelsen eller kræver en betroet central myndighed – begge er uønskede i latens‑følsomme kant‑scenarier.&lt;/p></description></item></channel></rss>