<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Privacy on Formize.com tinklaraštis</title><link>https://blog.formize.com/lt/categories/privacy/</link><description>Recent content in Privacy on Formize.com tinklaraštis</description><generator>Hugo</generator><language>lt</language><atom:link href="https://blog.formize.com/lt/categories/privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>Dinaminis sintetinės duomenų generavimas krašte, sujungiant federacinį mokymąsi, nulinio pasitikėjimo ir realaus laiko privatumo kontrolę</title><link>https://blog.formize.com/lt/edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/edge-synthetic-data-generation/</guid><description>&lt;h1 id="dinaminis-sintetinės-duomenų-generavimas-krašte-sujungiant-federacinį-mokymąsi-nulinio-pasitikėjimo-ir-realaus-laiko-privatumo-kontrolę">Dinaminis sintetinės duomenų generavimas krašte, sujungiant federacinį mokymąsi, nulinio pasitikėjimo ir realaus laiko privatumo kontrolę&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Sintetiniai duomenys tapo kertiniu akmeniu mokant mašininio mokymosi modelius, kai realūs duomenys yra reti, jautrūs arba brangūs įsigyti. Tradiciniai sintetinių duomenų procesai vyksta centralizuotuose duomenų centruose, kur iš kelių šaltinių ištraukiami neapdoroti duomenys, atliekami privatumo apsaugos transformacijos, o gauti duomenys paskirstomi galutiniams vartotojams. Nors toks modelis yra efektyvus, jis sukelia vėlavimus, pralaidumo sąnaudas ir vieną silpnąją vietą – privatumo atitikties užtikrinimą.&lt;/p></description></item><item><title>Homomorfinio Šifravimo Paremta Sintetinių Duomenų Generavimas Krašte</title><link>https://blog.formize.com/lt/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="homomorfinio-šifravimo-paremta-sintetinių-duomenų-generavimas-krašte">Homomorfinio Šifravimo Paremta Sintetinių Duomenų Generavimas Krašte&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Krašto įrenginiai – išmaniosios kameros, nešiojami įrenginiai, pramoniniai jutikliai – renka milžiniškus asmeninių ar nuosavybinių duomenų srautus. Tradicinės duomenų apdorojimo grandinės siunčia šiuos nešifruotus duomenis į debesį, kur jie valomi, papildomi arba naudojami sintetinių duomenų generavimui, todėl jie tampa pažeidžiami pertraukų, reguliacinių pažeidimų ir vėlavimų.&lt;/p>
&lt;p>&lt;strong>Homomorfinis šifravimas (HE)&lt;/strong> siūlo patrauklią alternatyvą: jis leidžia atlikti skaičiavimus tiesiai šifruotuose duomenyse, išlaikant konfidencialumą, bet vis tiek suteikiant galimybę atlikti sudėtingą analizę. Derinant HE su įrenginyje vykstančiais sintetinių duomenų generatoriais sukuriama &lt;strong>privatumą sauganti sintetinių duomenų grandinė&lt;/strong>, kuri niekada neatskleidžia originalaus turinio, netgi skaičiavimo varikliui.&lt;/p></description></item><item><title>Realio laiko privatumo apsaugos sintetinių duomenų generavimas krašte naudojant homomorfinį šifravimą ir federacinį mokymąsi</title><link>https://blog.formize.com/lt/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/lt/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="realaus-laiko-privatumo-apsaugos-sintetinių-duomenų-generavimas-krašte-naudojant-homomorfinį-šifravimą-ir-federacinį-mokymąsi">Realaus laiko privatumo apsaugos sintetinių duomenų generavimas krašte naudojant homomorfinį šifravimą ir federacinį mokymąsi&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Krašto AI pereina nuo vien tik inferencijos darbo krūvių prie &lt;strong>duomenų‑centriškų&lt;/strong> procesų, kuriems reikia nuolat atnaujinamų modelių, įrenginio vidinio mokymo ir sintetinių duomenų generavimo. Nors sintetiniai duomenys gali žymiai sumažinti brangų realaus pasaulio duomenų rinkimo poreikį, jie taip pat kelia &lt;strong>privatumo&lt;/strong> klausimų, kai šaltinio duomenys kyla iš vartotojų įrenginių. Tradiciniai anonimizavimo metodai (maskavimas, diferencialinė privatuma) arba sumažina duomenų naudingumą, arba reikalauja patikimos centrinės institucijos – abu variantai nepageidaujami vėlinimo jautrioms krašto scenarijoms.&lt;/p></description></item><item><title>Skirtinai privačiai sintezinių duomenų suspaudimas mažos pralaidumo krašto perdavimui</title><link>https://blog.formize.com/lt/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="skirtinai-privačiai-sintezinių-duomenų-suspaudimas-mažos-pralaidumo-krašto-perdavimui">Skirtinai privačiai sintezinių duomenų suspaudimas mažos pralaidumo krašto perdavimui&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Krašto įrenginiai – išmaniosios kameros, nešiojami įrenginiai, pramoniniai jutikliai – vis dažniau generuoja didžiules duomenų srautus, kuriuos reikia perduoti į centrinę analitikos platformą. Neapdorotų duomenų perdavimas dažnai yra neįmanomas dėl riboto pralaidumo, energijos apribojimų ir griežtų privatumo reglamentų, tokių kaip &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> ir &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>. Sintezinių duomenų generavimas tapo galinga technika, leidžiančia dalintis naudingą informaciją, apsaugant originalius asmens duomenis. Tačiau sintezinių duomenų rinkiniai gali būti dideli, ypač kai jie išlaiko aukštos matmenų struktūras, reikalingas vėlesniems DI modeliams.&lt;/p></description></item><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><item><title>Stiprinimo mokymu pagrįstas diferencijuotai privatus sintetinės duomenų generavimas Edge AI</title><link>https://blog.formize.com/lt/reinforcement-learning-guided-differentially-private-synthet/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/reinforcement-learning-guided-differentially-private-synthet/</guid><description>&lt;h1 id="stiprinimo-mokymu-pagrįstas-diferencijuotai-privatus-sintetinės-duomenų-generavimas-edge-ai">Stiprinimo mokymu pagrįstas diferencijuotai privatus sintetinės duomenų generavimas Edge AI&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Edge AI keičia pramonės šakas – nuo autonominių transporto priemonių iki nuotolinės sveikatos priežiūros. Perkelus inferenciją ir mokymą arčiau duomenų šaltinio, sumažėja delsimas, mažėja pralaidumo poreikis ir gerėja duomenų suverenumas. Tačiau krašto įrenginiai dažnai veikia griežtų privatumo reglamentų (&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a>, &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>, &lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>) ir ribotų skaičiavimo išteklių sąlygomis. Sintetiniai duomenys – dirbtinai sukurtos įrašų serijos, išlaikant realių duomenų statistines savybes – suteikia patrauklią galimybę dalintis įžvalgomis neatskleidžiant žaliųjų duomenų.&lt;/p></description></item></channel></rss>