<?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 Formize.com blog</title><link>https://blog.formize.com/hr/tags/gan/</link><description>Recent content in GAN on Formize.com blog</description><generator>Hugo</generator><language>hr</language><atom:link href="https://blog.formize.com/hr/tags/gan/index.xml" rel="self" type="application/rss+xml"/><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></channel></rss>