<?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/it/tags/gan/</link><description>Recent content in GAN on Blog Formize.com</description><generator>Hugo</generator><language>it</language><atom:link href="https://blog.formize.com/it/tags/gan/index.xml" rel="self" type="application/rss+xml"/><item><title>Dati sintetici differenzialmente privati per l'IoT sanitario edge</title><link>https://blog.formize.com/it/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/it/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="dati-sintetici-differenzialmente-privati-per-liot-sanitario-edge">Dati sintetici differenzialmente privati per l&amp;rsquo;IoT sanitario edge&lt;/h1>
&lt;h2 id="introduzione">Introduzione&lt;/h2>
&lt;p>I dispositivi medici abilitati al edge — monitor indossabili della frequenza cardiaca, sensori di glucosio, sonde ecografiche portatili — generano flussi massivi di informazioni sanitarie personalmente identificabili. Spostare l&amp;rsquo;analisi al edge riduce latenza e costi di banda, ma solleva una domanda cruciale: &lt;strong>Come possiamo estrarre valore da questi dati senza compromettere la privacy dei pazienti?&lt;/strong>&lt;/p>
&lt;p>La generazione di dati sintetici offre una risposta promettente. Addestrando un modello generativo su misurazioni reali e rilasciando solo le uscite del modello, le organizzazioni possono condividere dati per ricerca, addestramento di modelli AI o collaborazione inter‑istituzionale senza mai trasmettere i record grezzi dei pazienti. Tuttavia, pipeline sintetiche ingenuamente costruite possono ancora trapelare informazioni sensibili tramite attacchi di inversione del modello o di inferenza di appartenenza.&lt;/p></description></item></channel></rss>