<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Differential Privacy on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/differential-privacy/</link><description>Recent content in Differential Privacy on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/differential-privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>پارچه دادهٔ مصنوعی صفر‌اعتماد برای هوش مصنوعی لبه‌ای</title><link>https://blog.formize.com/fa/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="پارچه-داده-مصنوعی-صفراعتماد-برای-هوش-مصنوعی-لبهای">پارچه دادهٔ مصنوعی صفر‌اعتماد برای هوش مصنوعی لبه‌ای&lt;/h1>
&lt;h2 id="۱-چرا-هوش-مصنوعی-لبهای-به-یک-پارچه-داده-مصنوعی-صفراعتمادhttpswwwnistgovcyberframework-نیاز-دارد">۱. چرا هوش مصنوعی لبه‌ای به یک پارچه دادهٔ مصنوعی &lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">صفر‌اعتماد&lt;/a> نیاز دارد&lt;/h2>
&lt;p>دستگاه‌های لبه‌ای — حسگرهای صنعتی، پهپادهای خودران، دوربین‌های هوشمند و پوشیدنی‌ها — به‌طور فزاینده‌ای مسئول تولید، پردازش و اقدام بر روی داده‌ها به‌صورت زمان واقعی هستند. بر خلاف ابرهای متمرکز، محیط‌های لبه‌ای &lt;strong>پراکندار، ناهمگون و اغلب در شبکه‌های خصمانه یا کم‌کنترل عمل می‌کنند&lt;/strong>. مدل‌های امنیتی مبتنی بر مرز سنتی قادر به محافظت از داده‌های حساس که از این گره‌ها عبور می‌کنند نیستند، به‌ویژه زمانی که داده‌های مصنوعی برای تکمیل نمونه‌های آموزشی کم‌بود استفاده می‌شوند.&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 چند‑مودال تطبیقی با TinyML و حریم خصوصی تفاضلی برای دستگاه‌های لبه‌ای با محدودیت باتری</title><link>https://blog.formize.com/fa/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-چندمودال-تطبیقی-با-tinyml-و-حریم-خصوصی-تفاضلی-برای-دستگاههای-لبهای-با-محدودیت-باتری">تولید داده‌های مصنوعی چند‑مودال تطبیقی با TinyML و حریم خصوصی تفاضلی برای دستگاه‌های لبه‌ای با محدودیت باتری&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>دستگاه‌های لبه‌ای — از پوشیدنی‌ها و حسگرهای صنعتی تا پهپادهای خودران — به‌طور فزاینده‌ای انتظار می‌رود &lt;strong>یاد بگیرند&lt;/strong> و &lt;strong>سازگار شوند&lt;/strong> بدون وابستگی به اتصال مداوم به ابر. تولید داده‌های مصنوعی در لبه می‌تواند کمبود داده را رفع کند، تأخیر را کاهش دهد و حریم خصوصی کاربر را محافظت کند. با این حال، سه چالش اصلی بر این حوزه حاکم است:&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>