<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Differential Privacy on Formize.com blog</title><link>https://blog.formize.com/hr/tags/differential-privacy/</link><description>Recent content in Differential Privacy on Formize.com blog</description><generator>Hugo</generator><language>hr</language><atom:link href="https://blog.formize.com/hr/tags/differential-privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>Adaptivno Višemedijsko Generiranje Sintetičkih Podataka s TinyML-om i Diferencijalnom Privatnošću za Edge Uređaje s Ograničenom Baterijom</title><link>https://blog.formize.com/hr/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</guid><description>&lt;h1 id="adaptivno-višemedijsko-generiranje-sintetičkih-podataka-s-tinyml-om-i-diferencijalnom-privatnošću-za-edge-uređaje-s-ograničenom-baterijom">Adaptivno Višemedijsko Generiranje Sintetičkih Podataka s TinyML-om i Diferencijalnom Privatnošću za Edge Uređaje s Ograničenom Baterijom&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Edge uređaji—od nosivih uređaja i industrijskih senzora do autonomnih dronova—sve više se očekuje da &lt;strong>uče&lt;/strong> i &lt;strong>prilagođavaju se&lt;/strong> bez stalne povezanosti s oblakom. Generiranje sintetičkih podataka na rubu može ublažiti nedostatak podataka, smanjiti latenciju i zaštititi privatnost korisnika. Međutim, tri izazova dominiraju u ovom području:&lt;/p>
&lt;ol>
&lt;li>&lt;strong>Ograničenja resursa&lt;/strong> – ograničen CPU, memorija i posebno životni vijek baterije.&lt;/li>
&lt;li>&lt;strong>Kompleksnost višemedijskog&lt;/strong> – mnogi edge slučajevi korištenja uključuju istovremeno audio, video i senzorske tokove.&lt;/li>
&lt;li>&lt;strong>Usklađenost s privatnošću&lt;/strong> – propisi poput &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> i &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a> zahtijevaju stroge garancije privatnosti čak i za lokalno generirane podatke.&lt;/li>
&lt;/ol>
&lt;p>Ovaj članak predstavlja &lt;strong>jedinstveni, adaptivni okvir&lt;/strong> koji ujedinjuje &lt;strong>TinyML&lt;/strong>, &lt;strong>višemedijsko generiranje sintetičkih podataka&lt;/strong> i &lt;strong>diferencijalnu privatnost (DP)&lt;/strong>. Rješenje dinamički skalira računalno opterećenje ovisno o stanju baterije, odabire najprikladniji generativni model za svaku modalitetu i ubacuje kalibrirani šum kako bi zadovoljilo stroge privatne budžete—sve to ostajući unutar uskog energetskog okvira modernog edge hardvera.&lt;/p></description></item><item><title>Diferencijalno Privatna Kompresija Sintetičkih Podataka za Prijenos na Rubu s Niskom Propusnošću</title><link>https://blog.formize.com/hr/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="diferencijalno-privatna-kompresija-sintetičkih-podataka-za-prijenos-na-rubu-s-niskom-propusnošću">Diferencijalno Privatna Kompresija Sintetičkih Podataka za Prijenos na Rubu s Niskom Propusnošću&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Uređaji na rubu—pametne kamere, nosivi uređaji, industrijski senzori—sve više generiraju masivne tokove podataka koji se moraju dijeliti s centralnim platformama za analitiku. Prijenos sirovih podataka često je neizvediv zbog ograničene propusnosti, ograničenja energije i strogih propisa o privatnosti poput &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> i &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>. Generiranje sintetičkih podataka pojavilo se kao moćna tehnika za dijeljenje korisnih informacija uz zaštitu sirovih osobnih podataka. Međutim, sintetički skupovi podataka mogu biti veliki, osobito kada očuvaju visokodimenzionalne strukture potrebne za kasnije AI modele.&lt;/p></description></item><item><title>Diferencijalno privatni sintetički podaci za Edge zdravstveni IoT</title><link>https://blog.formize.com/hr/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="diferencijalno-privatni-sintetički-podaci-za-edge-zdravstveni-iot">Diferencijalno privatni sintetički podaci za Edge zdravstveni IoT&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Uređaji za medicinsku skrb na rubu mreže — nosivi monitori otkucaja srca, senzori glukoze, prijenosni ultrazvučni sonde — generiraju masivne tokove osobno identificirajućih zdravstvenih informacija. Premještanje analitike na rub smanjuje latenciju i troškove propusnosti, ali istovremeno postavlja ključno pitanje: &lt;strong>Kako izvući vrijednost iz tih podataka a da se ne izloži privatnost pacijenata?&lt;/strong>&lt;/p>
&lt;p>Generiranje sintetičkih podataka nudi obećavajući odgovor. Trening generativnog modela na stvarnim mjerenjima i potom objavljivanje samo izlaza modela omogućuje organizacijama dijeljenje podataka za istraživanje, treniranje AI modela ili međuinstitucionalnu suradnju, bez ikada prijenosa sirovih zapisa pacijenata. Međutim, naivni sustavi za sintetičke podatke još uvijek mogu procuriti osjetljive informacije putem inverzije modela ili napada na otkrivanje članstva.&lt;/p></description></item><item><title>Generiranje sintetičkih podataka uz diferencijalnu privatnost vođeno pojačanim učenjem za Edge AI</title><link>https://blog.formize.com/hr/reinforcement-learning-guided-differentially-private-synthet/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/reinforcement-learning-guided-differentially-private-synthet/</guid><description>&lt;h1 id="generiranje-sintetičkih-podataka-uz-diferencijalnu-privatnost-vođeno-pojačanim-učenjem-za-edge-ai">Generiranje sintetičkih podataka uz diferencijalnu privatnost vođeno pojačanim učenjem za Edge AI&lt;/h1>
&lt;h2 id="uvod">Uvod&lt;/h2>
&lt;p>Edge AI mijenja industrije, od autonomnih vozila do daljinskog praćenja zdravlja. Premještanjem inferencije i treniranja bliže izvoru podataka smanjuju se latencija, potrošnja propusnosti i poboljšava se suverenitet podataka. Međutim, edge uređaji često rade pod strogim propisima o privatnosti (&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a>, &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>, &lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>) i s ograničenim računalnim resursima. Sintetički podaci – umjetno generirani zapisi koji očuvavaju statistička svojstva stvarnih podataka – nude privlačan način za dijeljenje uvida bez otkrivanja sirovih informacija.&lt;/p></description></item><item><title>Zero Trust sintetička podatkovna tkanina za Edge AI</title><link>https://blog.formize.com/hr/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/hr/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="zero-trust-sintetička-podatkovna-tkanina-za-edge-ai">Zero Trust sintetička podatkovna tkanina za Edge AI&lt;/h1>
&lt;h2 id="1-zašto-edge-ai-treba-zero-trusthttpswwwnistgovcyberframework-sintetičku-podatkovnu-tkaninu">1. Zašto Edge AI treba &lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">Zero Trust&lt;/a> sintetičku podatkovnu tkaninu&lt;/h2>
&lt;p>Uređaji na rubu – industrijski senzori, autonomni dronovi, pametne kamere i nosivi uređaji – sve više generiraju, obrađuju i reagiraju na podatke u stvarnom vremenu. Za razliku od centraliziranih oblaka, okruženja na rubu su &lt;strong>raspršena, heterogena i često rade u neprijateljskim ili slabo kontroliranim mrežama&lt;/strong>. Tradicionalni modeli sigurnosti temeljeni na perimetru ne uspijevaju zaštititi osjetljive podatke koji prolaze kroz ove čvorove, osobito kada se sintetički podaci koriste za dopunu ograničenih uzoraka za treniranje.&lt;/p></description></item></channel></rss>