<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Real-Time on Blog Formize.com</title><link>https://blog.formize.com/it/tags/real-time/</link><description>Recent content in Real-Time on Blog Formize.com</description><generator>Hugo</generator><language>it</language><atom:link href="https://blog.formize.com/it/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><item><title>Generazione di Dati Sintetici Preservanti la Privacy in Tempo Reale al Bordo Utilizzando la Crittografia Omomorfica e l'Apprendimento Federato</title><link>https://blog.formize.com/it/real-time-privacy-preserving-synthetic-data-generation-at-th/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/it/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="generazione-di-dati-sintetici-preservanti-la-privacy-in-tempo-reale-al-bordo-utilizzando-la-crittografia-omomorfica-e-lapprendimento-federato">Generazione di Dati Sintetici Preservanti la Privacy in Tempo Reale al Bordo Utilizzando la Crittografia Omomorfica e l&amp;rsquo;Apprendimento Federato&lt;/h1>
&lt;h2 id="introduzione">Introduzione&lt;/h2>
&lt;p>L&amp;rsquo;Edge AI sta passando da carichi di lavoro di sola inferenza a pipeline &lt;strong>data‑centric&lt;/strong> che richiedono aggiornamenti continui del modello, addestramento sul dispositivo e generazione di dati sintetici. Sebbene i dati sintetici possano ridurre drasticamente la necessità di costose raccolte nel mondo reale, sollevano anche preoccupazioni &lt;strong>relative alla privacy&lt;/strong> quando i dati di origine provengono dai dispositivi degli utenti. Le tecniche tradizionali di anonimizzazione (mascheramento, privacy differenziale) o degradano l&amp;rsquo;utilità dei dati o richiedono un’autorità centrale fidata—entrambi indesiderabili per scenari edge sensibili alla latenza.&lt;/p></description></item></channel></rss>