<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Privacy Engineering on Formize.com tinklaraštis</title><link>https://blog.formize.com/lt/categories/privacy-engineering/</link><description>Recent content in Privacy Engineering on Formize.com tinklaraštis</description><generator>Hugo</generator><language>lt</language><atom:link href="https://blog.formize.com/lt/categories/privacy-engineering/index.xml" rel="self" type="application/rss+xml"/><item><title>Kvantiniu būdu paruoštas sintetinių duomenų generavimas Edge AI</title><link>https://blog.formize.com/lt/quantum-ready-synthetic-data-generation-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/quantum-ready-synthetic-data-generation-for-edge-ai/</guid><description>&lt;h1 id="kvantiniu-būdu-paruoštas-sintetinių-duomenų-generavimas-edge-ai">Kvantiniu būdu paruoštas sintetinių duomenų generavimas Edge AI&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Edge AI sparčiai pereina nuo tyrimų smalsumo į gamybos realybę, leidžiant įrenginiams – nuo nešiojamos elektronikos iki autonominių dronų – vykdyti inferenciją vietoje, sumažinti delsą ir išsaugoti vartotojo privatumą. Vis dėlto mokyti ir smulkiam derinti modelius krašte išlieka didelė kliūtis, nes realūs duomenys dažnai yra reti, triukšmingi arba teisiškai apriboti. Sintetiniai duomenys siūlo patrauklų sprendimą, tačiau tradiciniai generatoriai remiasi pseudo‑atsitiktinių skaičių generatoriais (PRNG), kurie gali būti atstatomi, atskleidžiant privatumą svarbias struktūras.&lt;/p></description></item><item><title>Saugus federacinis krašto sintetinės duomenų generavimas naudojant homomorfinį šifravimą</title><link>https://blog.formize.com/lt/secure-federated-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/secure-federated-edge-synthetic-data-generation/</guid><description>&lt;h1 id="saugus-federacinis-krašto-sintetinės-duomenų-generavimas-naudojant-homomorfinį-šifravimą">Saugus federacinis krašto sintetinės duomenų generavimas naudojant homomorfinį šifravimą&lt;/h1>
&lt;p>Pasaulyje, kuriame duomenų privatumo reglamentai tampa vis griežtesni, o krašto AI darbo krūviai sparčiai auga, organizacijos susiduria su paradoksu: joms reikia turtingų, įvairių duomenų rinkinių modeliams mokyti, tačiau jos negali perkelti neapdorotų duomenų į centralizuotas debesų platformas. &lt;strong>Sintetiniai duomenys&lt;/strong> – dirbtinai generuoti įrašai, išlaikantys šaltinio statistines savybes – siūlo patrauklų sprendimą, tačiau jų saugus generavimas krašto įrenginiuose kelia naujų iššūkių.&lt;/p>
&lt;p>Šiame straipsnyje pristatoma &lt;strong>holistinė, nulinio pasitikėjimo architektūra&lt;/strong>, kuri naudoja &lt;strong>homomorfinį šifravimą (HE)&lt;/strong>, &lt;strong>federacinį mokymąsi (FL)&lt;/strong> ir &lt;strong>politikos pagrindu valdomą valdymą&lt;/strong>, kad sintetiniai duomenys būtų generuojami tiesiai krašto mazguose, užtikrinant galutinį konfidencialumą. Peržvelgsime kriptografinius primityvus, duomenų srauto diagramą, valdymo sluoksnį ir praktinius diegimo modelius, kurie daro šį požiūrį paruoštą gamybai.&lt;/p></description></item><item><title>Saugus kelių šalių sintetinės duomenų bendradarbiavimas su homomorfiniu šifravimu</title><link>https://blog.formize.com/lt/secure-multi-party-synthetic-data-collaboration/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/secure-multi-party-synthetic-data-collaboration/</guid><description>&lt;h1 id="saugus-kelių-šalių-sintetinės-duomenų-bendradarbiavimas-su-homomorfiniu-šifravimu">Saugus kelių šalių sintetinės duomenų bendradarbiavimas su homomorfiniu šifravimu&lt;/h1>
&lt;p>Era, kai duomenimis pagrįsti DI modeliai yra konkurencinis pranašumas, &lt;strong>sintetiniai duomenys&lt;/strong> iškilo kaip galinga alternatyva dalintis realaus pasaulio įrašais. Tačiau kai kelių šalių reikia &lt;strong>bendradarbiauti&lt;/strong> kuriant sintetinį duomenų rinkinį – pavyzdžiui, tarppramoninė sveikatos tyrimų, federuota finansų analizė arba bendri autonominių transporto priemonių simuliacijos – privatumas, reguliacinė atitiktis ir pasitikėjimas tampa pagrindinėmis kliūtimis.&lt;/p>
&lt;p>Šiame straipsnyje pristatomas &lt;strong>privatumo išsaugojimo bendradarbiavimo struktūrinis modelis&lt;/strong>, kuris sujungia tris pažangiausias koncepcijas:&lt;/p></description></item></channel></rss>