<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Healthcare IoT on Formize.com tinklaraštis</title><link>https://blog.formize.com/lt/categories/healthcare-iot/</link><description>Recent content in Healthcare IoT on Formize.com tinklaraštis</description><generator>Hugo</generator><language>lt</language><atom:link href="https://blog.formize.com/lt/categories/healthcare-iot/index.xml" rel="self" type="application/rss+xml"/><item><title>Skirtingai privatūs sintetiniai duomenys kraštiniam sveikatos priežiūros IoT</title><link>https://blog.formize.com/lt/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="skirtingai-privatūs-sintetiniai-duomenys-kraštiniam-sveikatos-priežiūros-iot">Skirtingai privatūs sintetiniai duomenys kraštiniam sveikatos priežiūros IoT&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Kraštiniams įgalintiems medicinos įrenginiams – nešiojamiems širdies ritmo monitoriams, gliukozės jutikliams, nešiojamiems ultragarsiniams zondams – generuojami milžiniški asmeniškai identifikuojamos sveikatos informacijos srautai. Nors analitika krašte sumažina vėlavimą ir pralaidumo kaštus, ji kelia svarbų klausimą: &lt;strong>Kaip išgauti vertę iš šių duomenų neatskleidžiant pacientų privatumo?&lt;/strong>&lt;/p>
&lt;p>Sintetinių duomenų generavimas siūlo perspektyvų atsakymą. Išmokę generatyvų modelį ant realių matavimų ir išleidę tik modelio išvestis, organizacijos gali dalintis duomenimis tyrimams, AI modelių mokymui ar tarpinstituciniam bendradarbiavimui, niekada neperduodamos neapdorotų pacientų įrašų. Tačiau paprasti sintetiniai duomenų kanalai vis tiek gali nutekinti jautrią informaciją per modelio inversiją ar narystės atpažinimo atakas.&lt;/p></description></item></channel></rss>