<?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 Formize.com ბლოგი</title><link>https://blog.formize.com/ka/tags/real-time/</link><description>Recent content in Real-Time on Formize.com ბლოგი</description><generator>Hugo</generator><language>ka</language><atom:link href="https://blog.formize.com/ka/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><item><title>რეალურ დროში კონფიდენციალურობის დაცვის სინთეზური მონაცემების გენერირება კიდეზე ჰომორფული დაშიფვრით და ფედერირებულ სწავლით</title><link>https://blog.formize.com/ka/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/ka/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="რეალურ-დროში-კონფიდენციალურობის-დაცვის-სინთეზური-მონაცემების-გენერირება-კიდეზე-ჰომორფული-დაშიფვრით-და-ფედერირებულ-სწავლით">რეალურ დროში კონფიდენციალურობის დაცვის სინთეზური მონაცემების გენერირება კიდეზე ჰომორფული დაშიფვრით და ფედერირებულ სწავლით&lt;/h1>
&lt;h2 id="შესავალი">შესავალი&lt;/h2>
&lt;p>Edge AI გადადის მხოლოდ ინტერფისის სამუშაოებიდან &lt;strong>მონაცემ‑ცენტრირებულ&lt;/strong> პაიპლაინებზე, რომლებიც საჭიროებს მუდმივ მოდელის განახლებას, მოწყობილობაზე ტრენინგს და სინთეზურ მონაცემებზე. სინთეზური მონაცემები შეიძლება მნიშვნელოვანი შემცირება მოახდინოს ძვირად ღირებულ რეალურ მონაცემთა შეგროვებაში, თუმცა ისინი იწვევს &lt;strong>კონფიდენციალურობის&lt;/strong> საკითხებს, როდესაც წყარო მონაცემები მოდის მომხმარებლების მოწყობილობებიდან. ტრადიციული ანონიმიზაციის ტექნიკები (მასკირება, დიფერენციალური კონფიდენციალურობა) ან კი მონაცემთა უპირატესობას შემცირებს, ან კი სჭირდება ნდობით ცენტრალურ ორგანოს – რაც ორივე არასასურველია ლატენციაზე მგრძნობიარე კიდის სცენარებში.&lt;/p></description></item></channel></rss>