<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Privacy on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/categories/privacy/</link><description>Recent content in Privacy on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/categories/privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>تولید دادهٔ مصنوعی پویا در لبه با ترکیب یادگیری فدرال، صفر‑اعتماد و کنترل‌های حریم‌خصوصی زمان واقعی</title><link>https://blog.formize.com/fa/edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/edge-synthetic-data-generation/</guid><description>&lt;h1 id="تولید-داده-مصنوعی-پویا-در-لبه-با-ترکیب-یادگیری-فدرال-صفراعتماد-و-کنترلهای-حریمخصوصی-زمان-واقعی">تولید دادهٔ مصنوعی پویا در لبه با ترکیب یادگیری فدرال، صفر‑اعتماد و کنترل‌های حریم‌خصوصی زمان واقعی&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>دادهٔ مصنوعی به‌عنوان یک ستون‌فقره برای آموزش مدل‌های یادگیری ماشین زمانی که داده‌های واقعی کم، حساس یا هزینه‌بر هستند، تبدیل شده است. خطوط لولهٔ سنتی دادهٔ مصنوعی در مراکز دادهٔ متمرکز اجرا می‌شوند؛ داده‌های خام از منابع متعدد جمع‌آوری، تبدیل‌های حفظ‌کننده حریم‌خصوصی اعمال می‌شود و سپس دادهٔ تولیدشده به مصرف‌کنندگان downstream توزیع می‌گردد. اگرچه مؤثر است، این مدل تأخیر، هزینهٔ پهنای باند و یک نقطهٔ شکست واحد برای انطباق حریم‌خصوصی ایجاد می‌کند.&lt;/p></description></item><item><title>تولید داده‌های مصنوعی با استفاده از رمزنگاری هم‌مورفیک در لبه</title><link>https://blog.formize.com/fa/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-با-استفاده-از-رمزنگاری-هممورفیک-در-لبه">تولید داده‌های مصنوعی با استفاده از رمزنگاری هم‌مورفیک در لبه&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>دستگاه‌های لبه — دوربین‌های هوشمند، پوشیدنی‌ها، حسگرهای صنعتی — جریان‌های عظیمی از داده‌های شخصی یا مالکیتی را جمع‌آوری می‌کنند. خطوط لوله سنتی این داده‌های خام را به ابر برای پاک‌سازی، تقویت یا تولید داده‌های مصنوعی منتقل می‌کنند که این کار باعث در معرض قرار گرفتن آن‌ها به سرقت، نقض‌های قانونی و هزینه‌های تأخیر می‌شود.&lt;/p>
&lt;p>&lt;strong>رمزنگاری هم‌مورفیک (HE)&lt;/strong> یک جایگزین جذاب ارائه می‌دهد: این امکان را می‌دهد که محاسبه مستقیماً بر روی داده‌های رمزگذاری‌شده انجام شود، محرمانگی را حفظ می‌کند در حالی که هنوز امکان تجزیه و تحلیل پیشرفته را فراهم می‌کند. ترکیب HE با مولدهای داده‌های مصنوعی در دستگاه، یک &lt;strong>خط لوله تولید داده‌های مصنوعی حفظ حریم خصوصی&lt;/strong> ایجاد می‌کند که هرگز محتوای اصلی را حتی برای موتور محاسبه‌کننده نشان نمی‌دهد.&lt;/p></description></item><item><title>تولید داده‌های مصنوعی با حریم خصوصی تفاضلی راهنمایی‌شده توسط یادگیری تقویتی برای هوش مصنوعی لبه‌ای</title><link>https://blog.formize.com/fa/reinforcement-learning-guided-differentially-private-synthet/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/reinforcement-learning-guided-differentially-private-synthet/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-با-حریم-خصوصی-تفاضلی-راهنماییشده-توسط-یادگیری-تقویتی-برای-هوش-مصنوعی-لبهای">تولید داده‌های مصنوعی با حریم خصوصی تفاضلی راهنمایی‌شده توسط یادگیری تقویتی برای هوش مصنوعی لبه‌ای&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>هوش مصنوعی لبه‌ای در حال تغییر صنایع از خودروهای خودران تا نظارت بهداشتی از راه دور است. با انتقال استنتاج و آموزش به نزدیک منبع داده، تاخیر کاهش می‌یابد، مصرف پهنای باند کم می‌شود و حاکمیت داده‌ها بهبود می‌یابد. با این حال، دستگاه‌های لبه‌ای اغلب تحت قوانین سخت‌گیرانه حریم خصوصی (&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">قوانین عمومی حفاظت از داده‌ها (GDPR)&lt;/a>، &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">قانون انتقال و مسئولیت‌پذیری بیمه‌نامه‌های بهداشتی (HIPAA)&lt;/a>، &lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">قانون حفظ حریم خصوصی کالیفرنیا (CCPA)&lt;/a>) و منابع محاسباتی محدود عمل می‌کنند. داده‌های مصنوعی — رکوردهای به‌صورت مصنوعی تولید شده که ویژگی‌های آماری داده‌های واقعی را حفظ می‌کنند — روشی جذاب برای به اشتراک‌گذاری بینش‌ها بدون افشای اطلاعات خام ارائه می‌دهد.&lt;/p></description></item><item><title>تولید داده‌های مصنوعی سنتتیک با حفظ حریم خصوصی در زمان واقعی در لبه با استفاده از رمزنگاری هم‌ریختی و یادگیری فدرال</title><link>https://blog.formize.com/fa/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/fa/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-سنتتیک-با-حفظ-حریم-خصوصی-در-زمان-واقعی-در-لبه-با-استفاده-از-رمزنگاری-همریختی-و-یادگیری-فدرال">تولید داده‌های مصنوعی سنتتیک با حفظ حریم خصوصی در زمان واقعی در لبه با استفاده از رمزنگاری هم‌ریختی و یادگیری فدرال&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>هوش مصنوعی لبه از بارهای کاری صرفاً استنتاجی به سمت خطوط لوله &lt;strong>متمرکز بر داده&lt;/strong> که نیاز به به‌روزرسانی مداوم مدل، آموزش بر روی دستگاه و تولید داده‌های مصنوعی دارند، حرکت می‌کند. در حالی که داده‌های مصنوعی می‌توانند نیاز به جمع‌آوری پرهزینه دنیای واقعی را به‌طرز چشمگیری کاهش دهند، اما وقتی داده‌های منبع از دستگاه‌های کاربران می‌آیند، نگرانی‌های &lt;strong>حریم خصوصی&lt;/strong> را نیز به‌وجود می‌آورند. تکنیک‌های سنتی ناشناس‌سازی (پنهان‌سازی، حریم خصوصی تفاضلی) یا کیفیت داده را کاهش می‌دهند یا نیاز به یک مرجع مرکزی مورد اعتماد دارند—هر دو برای سناریوهای لبه حساس به تأخیر نامطلوب هستند.&lt;/p></description></item><item><title>داده‌های مصنوعی با حریم خصوصی تفاضلی برای اینترنت اشیاء بهداشتی لبه‌ای</title><link>https://blog.formize.com/fa/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="دادههای-مصنوعی-با-حریم-خصوصی-تفاضلی-برای-اینترنت-اشیاء-بهداشتی-لبهای">داده‌های مصنوعی با حریم خصوصی تفاضلی برای اینترنت اشیاء بهداشتی لبه‌ای&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>دستگاه‌های پزشکی فعال بر لبه—مانند مانیتورهای ضربان قلب پوشیدنی، حسگرهای گلوکز، پروب‌های سونوگرافی قابل حمل—جریان‌های عظیمی از اطلاعات بهداشتی شناسایی‌پذیر شخصی تولید می‌کنند. در حالی که انتقال تجزیه و تحلیل به لبه باعث کاهش تأخیر و هزینه‌های پهنای باند می‌شود، سؤال مهمی را نیز به وجود می‌آورد: &lt;strong>چگونه می‌توان ارزش این داده‌ها را استخراج کرد بدون اینکه حریم خصوصی بیمار فاش شود؟&lt;/strong>&lt;/p></description></item><item><title>فشرده‌سازی داده‌های مصنوعی با حفظ حریم خصوصی تفاضلی برای انتقال لبه با پهنای باند کم</title><link>https://blog.formize.com/fa/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="فشردهسازی-دادههای-مصنوعی-با-حفظ-حریم-خصوصی-تفاضلی-برای-انتقال-لبه-با-پهنای-باند-کم">فشرده‌سازی داده‌های مصنوعی با حفظ حریم خصوصی تفاضلی برای انتقال لبه با پهنای باند کم&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>دستگاه‌های لبه—دوربین‌های هوشمند، پوشیدنی‌ها، حسگرهای صنعتی—به‌طور فزاینده‌ای جریان‌های عظیمی از داده تولید می‌کنند که باید با پلتفرم‌های تحلیلی مرکزی به اشتراک گذاشته شوند. انتقال داده‌های خام اغلب به دلیل پهنای باند محدود، محدودیت‌های انرژی و مقررات سخت‌گیرانهٔ حریم خصوصی مانند &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> و &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a> غیرقابل‌اجراست. تولید داده‌های مصنوعی به‌عنوان یک تکنیک قدرتمند برای به اشتراک‌گذاری اطلاعات مفید در حالی که داده‌های شخصی خام محافظت می‌شوند، ظهور کرده است. با این حال، مجموعه‌های دادهٔ مصنوعی می‌توانند بزرگ باشند، به‌ویژه وقتی ساختارهای با‑بعدی بالایی را برای مدل‌های هوش مصنوعی downstream حفظ می‌کنند.&lt;/p></description></item></channel></rss>