<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Real Time Privacy on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/real-time-privacy/</link><description>Recent content in Real Time Privacy on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/real-time-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></channel></rss>