<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>GAN on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/gan/</link><description>Recent content in GAN on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/gan/index.xml" rel="self" type="application/rss+xml"/><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></channel></rss>