<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Federated Learning on Blog Formize.com</title><link>https://blog.formize.com/it/categories/federated-learning/</link><description>Recent content in Federated Learning on Blog Formize.com</description><generator>Hugo</generator><language>it</language><atom:link href="https://blog.formize.com/it/categories/federated-learning/index.xml" rel="self" type="application/rss+xml"/><item><title>Accelerare la Provenienza dei Dati e la Conformità nell'Apprendimento Federato con Formize</title><link>https://blog.formize.com/it/accelerating-federated-learning-data-provenance-with-formize/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/it/accelerating-federated-learning-data-provenance-with-formize/</guid><description>&lt;h1 id="accelerare-la-provenienza-dei-dati-e-la-conformità-nellapprendimento-federato-con-formize">Accelerare la Provenienza dei Dati e la Conformità nell&amp;rsquo;Apprendimento Federato con Formize&lt;/h1>
&lt;p>L&amp;rsquo;apprendimento federato (FL) è diventato la strategia de‑facto per addestrare modelli AI di alta qualità mantenendo i dati grezzi sul dispositivo. L&amp;rsquo;approccio risolve molte preoccupazioni sulla privacy, ma introduce anche una nuova serie di sfide di conformità: tracciare quali dati hanno contribuito a quale aggiornamento del modello, dimostrare che il consenso è stato ottenuto e garantire che le catene di audit siano immutabili su migliaia di nodi edge.&lt;/p></description></item></channel></rss>