<?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 Blog Formize.com</title><link>https://blog.formize.com/id/tags/gan/</link><description>Recent content in GAN on Blog Formize.com</description><generator>Hugo</generator><language>id</language><atom:link href="https://blog.formize.com/id/tags/gan/index.xml" rel="self" type="application/rss+xml"/><item><title>Data Sintetis Diferensial Pribadi untuk Edge Healthcare IoT</title><link>https://blog.formize.com/id/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/id/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="data-sintetis-diferensial-pribadi-untuk-edge-healthcare-iot">Data Sintetis Diferensial Pribadi untuk Edge Healthcare IoT&lt;/h1>
&lt;h2 id="pendahuluan">Pendahuluan&lt;/h2>
&lt;p>Perangkat medis yang diaktifkan pada edge—monitor detak jantung yang dapat dipakai, sensor glukosa, probe ultrasonik portabel—menghasilkan aliran data kesehatan yang dapat diidentifikasi secara pribadi dalam jumlah besar. Memindahkan analitik ke edge mengurangi latensi dan biaya bandwidth, namun juga menimbulkan pertanyaan kritis: &lt;strong>Bagaimana kita dapat mengekstrak nilai dari data ini tanpa mengungkapkan privasi pasien?&lt;/strong>&lt;/p>
&lt;p>Pembuatan data sintetis menawarkan jawaban yang menjanjikan. Dengan melatih model generatif pada pengukuran nyata dan kemudian hanya merilis output model, organisasi dapat berbagi data untuk penelitian, pelatihan model AI, atau kolaborasi lintas institusi tanpa pernah mentransmisikan rekam medis mentah. Namun, pipeline data sintetis yang naïf masih dapat bocor informasi sensitif melalui serangan inversi model atau inferensi keanggotaan.&lt;/p></description></item></channel></rss>