<?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 on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/real-time/</link><description>Recent content in Real-Time on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><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></channel></rss>