<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Federated Edge AI on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/federated-edge-ai/</link><description>Recent content in Federated Edge AI on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/federated-edge-ai/index.xml" rel="self" type="application/rss+xml"/><item><title>تولید داده‌های مصنوعی هم‌ساز لبه‌ای فدرال با رمزنگاری هم‌ریختی</title><link>https://blog.formize.com/fa/secure-federated-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/secure-federated-edge-synthetic-data-generation/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-همساز-لبهای-فدرال-با-رمزنگاری-همریختی">تولید داده‌های مصنوعی هم‌ساز لبه‌ای فدرال با رمزنگاری هم‌ریختی&lt;/h1>
&lt;p>در دنیایی که مقررات حریم‌خصوصی داده‌ها در حال سخت‌گیری هستند و بارهای کاری هوش مصنوعی لبه‌ای به سرعت در حال گسترش‌اند، سازمان‌ها با یک تناقض مواجه‌اند: آن‌ها به مجموعه‌داده‌های غنی و متنوع برای آموزش مدل‌ها نیاز دارند، اما نمی‌توانند داده‌های خام را به ابرهای متمرکز منتقل کنند. &lt;strong>داده‌های مصنوعی&lt;/strong> — رکوردهای به‌صورت مصنوعی تولید شده که ویژگی‌های آماری منبع را حفظ می‌کنند — راه‌حل جذابی ارائه می‌دهد، اما تولید ایمن آن بر روی دستگاه‌های لبه چالش‌های جدیدی ایجاد می‌کند.&lt;/p></description></item></channel></rss>