<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Homomorphic Encryption on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/homomorphic-encryption/</link><description>Recent content in Homomorphic Encryption on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/homomorphic-encryption/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 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 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>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><item><title>همکاری ایمن داده‌های مصنوعی چندطرفه با رمزنگاری هم‌ریختی</title><link>https://blog.formize.com/fa/secure-multi-party-synthetic-data-collaboration/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/secure-multi-party-synthetic-data-collaboration/</guid><description>&lt;h1 id="همکاری-ایمن-دادههای-مصنوعی-چندطرفه-با-رمزنگاری-همریختی">همکاری ایمن داده‌های مصنوعی چندطرفه با رمزنگاری هم‌ریختی&lt;/h1>
&lt;p>در عصری که مدل‌های هوش مصنوعی مبتنی بر داده، مزیت رقابتی هستند، &lt;strong>داده‌های مصنوعی&lt;/strong> به عنوان جایگزینی قدرتمند برای به اشتراک‌گذاری رکوردهای واقعی ظاهر شده‌اند. اما وقتی چندین طرف نیاز به &lt;strong>هم‑ساخت&lt;/strong> مجموعه‌های داده مصنوعی دارند—مثلاً تحقیقات بهداشتی بین‌صنعتی، تحلیل‌های مالی توزیعی یا شبیه‌سازی‌های مشترک وسایل نقلیه خودران—حریم‌خصوصی، انطباق قانونی و اعتماد، موانع عمده‌ای می‌شوند.&lt;/p>
&lt;p>این مقاله چارچوب &lt;strong>همکاری حفظ حریم‌خصوصی&lt;/strong> را معرفی می‌کند که سه مفهوم پیشرفته را ترکیب می‌کند:&lt;/p></description></item></channel></rss>