<?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 בלוג Formize.com</title><link>https://blog.formize.com/he/tags/gan/</link><description>Recent content in GAN on בלוג Formize.com</description><generator>Hugo</generator><language>he</language><atom:link href="https://blog.formize.com/he/tags/gan/index.xml" rel="self" type="application/rss+xml"/><item><title>נתונים סינתטיים פרטיים דיפרנציאליים עבור IoT בריאות בקצה</title><link>https://blog.formize.com/he/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/he/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="נתונים-סינתטיים-פרטיים-דיפרנציאליים-עבור-iot-בריאות-בקצה">נתונים סינתטיים פרטיים דיפרנציאליים עבור IoT בריאות בקצה&lt;/h1>
&lt;h2 id="מבוא">מבוא&lt;/h2>
&lt;p>מכשירי רפואה המופעלים בקצה — מדדי קצב לב ניידים, חיישני גלוקוז, פרובי של אולטרסאונד ניידים — מייצרים זרמים עצומים של מידע בריאותי אישי. בעוד שהעברת האנליטיקה לקצה מפחיתה השהייה ועלויות רוחב‑הפס, היא גם מעלה שאלה קריטית: &lt;strong>איך נוכל להפיק ערך מהנתונים מבלי לחשוף את פרטיות המטופל?&lt;/strong>&lt;/p>
&lt;p>הפקת נתונים סינתטיים מציעה תשובה מבטיחה. על‑ידי אימון מודל גנרטיבי על מדידות אמיתיות ולאחר מכן שחרור רק של פלטי המודל, ארגונים יכולים לשתף נתונים למחקר, אימון מודלים של AI, או שיתוף פעולה בין‑מוסדי מבלי להעביר רשומות חולים גולמיות. עם זאת, צינורות נתונים סינתטיים נאיביים עדיין עלולים לדלוף מידע רגיש דרך התקפות הפיכת מודל או חיפוש חברות.&lt;/p></description></item></channel></rss>