<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Synthetic Data Generation on وبلاگ Formize.com</title><link>https://blog.formize.com/fa/tags/synthetic-data-generation/</link><description>Recent content in Synthetic Data Generation on وبلاگ Formize.com</description><generator>Hugo</generator><language>fa</language><atom:link href="https://blog.formize.com/fa/tags/synthetic-data-generation/index.xml" rel="self" type="application/rss+xml"/><item><title>تولید داده‌های مصنوعی آماده کوانتومی برای هوش مصنوعی لبه‌ای</title><link>https://blog.formize.com/fa/quantum-ready-synthetic-data-generation-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/quantum-ready-synthetic-data-generation-for-edge-ai/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-آماده-کوانتومی-برای-هوش-مصنوعی-لبهای">تولید داده‌های مصنوعی آماده کوانتومی برای هوش مصنوعی لبه‌ای&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>هوش مصنوعی لبه‌ای به سرعت از یک کنجکاوی پژوهشی به یک واقعیت تولیدی تبدیل می‌شود و به دستگاه‌ها—از پوشیدنی‌ها تا پهپادهای خودران—امکان می‌دهد استنتاج را به‌صورت محلی اجرا کنند، تأخیر را کاهش دهند و حریم خصوصی کاربر را حفظ کنند. با این حال، آموزش و تنظیم دقیق مدل‌ها روی لبه همچنان یک مانع بزرگ است زیرا داده‌های واقعی اغلب کم، پرنویز یا تحت محدودیت‌های قانونی هستند. داده‌های مصنوعی راه‌حل جذابی ارائه می‌دهند، اما مولدهای سنتی به تولیدکنندگان عددی شبه‌تصادفی (PRNG) وابسته‌اند که می‌توانند مهندسی معکوس شوند و الگوهای حساس به حریم خصوصی را فاش کنند.&lt;/p></description></item><item><title>تولید داده‌های مصنوعی با کارایی انرژی برای هوش مصنوعی لبه‌ای با محدودیت باتری</title><link>https://blog.formize.com/fa/energy-efficient-synthetic-data-generation-for-battery-const/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/energy-efficient-synthetic-data-generation-for-battery-const/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-با-کارایی-انرژی-برای-هوش-مصنوعی-لبهای-با-محدودیت-باتری">تولید داده‌های مصنوعی با کارایی انرژی برای هوش مصنوعی لبه‌ای با محدودیت باتری&lt;/h1>
&lt;p>هوش مصنوعی لبه‌ای از بارهای کاری صرفاً استنتاجی به سمت &lt;strong>خطوط لوله متمرکز بر داده&lt;/strong> حرکت می‌کند؛ به‌طوری که دستگاه‌ها نه تنها داده مصرف می‌کنند بلکه &lt;strong>تولید&lt;/strong> می‌کنند نیز. تولید داده‌های مصنوعی در لبه می‌تواند به‌طور چشمگیری تأخیر را کاهش دهد، حریم خصوصی را محافظت کند و هزینه‌های پهنای باند را کاهش دهد. با این حال، دستگاه‌های لبه‌ای—به‌ویژه آن‌هایی که با باتری تغذیه می‌شوند—بودجه انرژی سخت‌گیرانه‌ای دارند. این مقاله رویکردی جامع و آگاه به انرژی برای تولید داده‌های مصنوعی بر روی گره‌های لبه‌ای با محدودیت باتری ارائه می‌دهد که ترکیبی از فشرده‌سازی مدل، انتشار درون‌دستگاهی و هماهنگی فدرال است.&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 مبتنی بر گراف علّی برای انطباق مقرراتی</title><link>https://blog.formize.com/fa/causal-graph-synthetic-data-for-compliance/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/causal-graph-synthetic-data-for-compliance/</guid><description>&lt;h1 id="تولید-دادههای-مصنوعی-مبتنی-بر-گراف-علی-برای-انطباق-مقرراتی">تولید داده‌های مصنوعی مبتنی بر گراف علّی برای انطباق مقرراتی&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>داده‌های مصنوعی به‌عنوان یک ستون‌فقرهٔ اساسی برای آموزش مدل‌های هوش مصنوعی زمانی که داده‌های واقعی کم، حساس یا به‌طور گسترده‌ای تحت مقررات هستند، شناخته شده‌اند. در حالی که تکنیک‌های تولیدی سنتی (GANها، مدل‌های انتشار، شبیه‌سازهای مبتنی بر LLM) در تقلید توزیع‌های آماری مهارت دارند، اغلب &lt;strong>روابط علّی&lt;/strong> را که مقررات‌گذاران به‌طور فزاینده‌ای خواستار حفظ آن‌ها هستند، نادیده می‌گیرند.&lt;/p>
&lt;p>مقررات‌گذارانی مانند &lt;strong>&lt;a href="https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai" target="_blank" rel="noreferrer nofollow">قانون هوش مصنوعی (AI Act)&lt;/a>&lt;/strong> اتحادیه اروپا، &lt;strong>FDA&lt;/strong> ایالات متحده برای دستگاه‌های پزشکی، و &lt;strong>&lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">قانون حفظ حریم خصوصی مصرف‌کنندگان (CCPA)&lt;/a>&lt;/strong> برای حریم خصوصی مصرف‌کننده، به سمت &lt;strong>قابلیت توضیح&lt;/strong> و &lt;strong>قابلیت ردیابی&lt;/strong> خطوط لوله داده حرکت می‌کنند. یک مجموعه دادهٔ مصنوعی که صرفاً آمارهای حاشیه‌ای را بازتولید می‌کند ممکن است یک ممیزی سطحی را پشت سر بگذارد اما وقتی یک مقررات‌گذار بپرسد «آیا می‌توانید ثابت کنید که رکوردهای مصنوعی مکانیزم‌های علّی زیرین جمعیت منبع را رعایت می‌کنند؟» شکست بخورد.&lt;/p></description></item><item><title>فشرده‌سازی داده‌های مصنوعی با حفظ حریم خصوصی تفاضلی برای انتقال لبه با پهنای باند کم</title><link>https://blog.formize.com/fa/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/fa/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="فشردهسازی-دادههای-مصنوعی-با-حفظ-حریم-خصوصی-تفاضلی-برای-انتقال-لبه-با-پهنای-باند-کم">فشرده‌سازی داده‌های مصنوعی با حفظ حریم خصوصی تفاضلی برای انتقال لبه با پهنای باند کم&lt;/h1>
&lt;h2 id="مقدمه">مقدمه&lt;/h2>
&lt;p>دستگاه‌های لبه—دوربین‌های هوشمند، پوشیدنی‌ها، حسگرهای صنعتی—به‌طور فزاینده‌ای جریان‌های عظیمی از داده تولید می‌کنند که باید با پلتفرم‌های تحلیلی مرکزی به اشتراک گذاشته شوند. انتقال داده‌های خام اغلب به دلیل پهنای باند محدود، محدودیت‌های انرژی و مقررات سخت‌گیرانهٔ حریم خصوصی مانند &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> و &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a> غیرقابل‌اجراست. تولید داده‌های مصنوعی به‌عنوان یک تکنیک قدرتمند برای به اشتراک‌گذاری اطلاعات مفید در حالی که داده‌های شخصی خام محافظت می‌شوند، ظهور کرده است. با این حال، مجموعه‌های دادهٔ مصنوعی می‌توانند بزرگ باشند، به‌ویژه وقتی ساختارهای با‑بعدی بالایی را برای مدل‌های هوش مصنوعی downstream حفظ می‌کنند.&lt;/p></description></item></channel></rss>