<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Differential Privacy on Formize.com tinklaraštis</title><link>https://blog.formize.com/lt/tags/differential-privacy/</link><description>Recent content in Differential Privacy on Formize.com tinklaraštis</description><generator>Hugo</generator><language>lt</language><atom:link href="https://blog.formize.com/lt/tags/differential-privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>Adaptuota daugiamodalių sintetinės duomenų generavimas su TinyML ir diferencialine privatumu baterijomis apribotiems kraštiniams įrenginiams</title><link>https://blog.formize.com/lt/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/adaptive-multi-modal-synthetic-data-generation-for-edge-devi/</guid><description>&lt;h1 id="adaptuota-daugiamodalių-sintetinės-duomenų-generavimas-su-tinyml-ir-diferencialine-privatumu-baterijomis-apribotiems-kraštiniams-įrenginiams">Adaptuota daugiamodalių sintetinės duomenų generavimas su TinyML ir diferencialine privatumu baterijomis apribotiems kraštiniams įrenginiams&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Kraštiniai įrenginiai – nuo nešiojamuosius įrenginius ir pramonės jutiklius iki autonominių dronų – vis dažniau turi &lt;strong>mokytis&lt;/strong> ir &lt;strong>prisitaikyti&lt;/strong> be nuolatinio ryšio su debesimi. Sintetinės duomenų generavimas krašte gali sumažinti duomenų trūkumą, sumažinti delsą ir apsaugoti vartotojų privatumą. Tačiau trys iššūkiai dominuoja šioje srityje:&lt;/p>
&lt;ol>
&lt;li>&lt;strong>Išteklių apribojimai&lt;/strong> – ribotas procesorius, atmintis ir ypač baterijos veikimo laikas.&lt;/li>
&lt;li>&lt;strong>Daugiamodalių sudėtingumas&lt;/strong> – daugelis kraštinių atvejų apima garso, vaizdo ir jutiklių srautus vienu metu.&lt;/li>
&lt;li>&lt;strong>Privatumo atitiktis&lt;/strong> – tokios nuostatos 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> reikalauja griežtų privatumo garantijų net ir lokaliai generuojamiems duomenims.&lt;/li>
&lt;/ol>
&lt;p>Šiame straipsnyje pristatoma &lt;strong>unikali, adaptuota sistema&lt;/strong>, kuri sujungia &lt;strong>TinyML&lt;/strong>, &lt;strong>daugiamodalių sintetinės duomenų generavimą&lt;/strong> ir &lt;strong>diferencialinę privatumą (DP)&lt;/strong>. Sprendimas dinamiškai reguliuoja skaičiavimo apkrovą pagal baterijos būseną, pasirenka tinkamiausią generatyvų modelį kiekvienai modalumui ir įterpia kalibruotą triukšmą, kad atitiktų griežtus privatumo biudžetus – viskas tai atliekama išlaikant šiuolaikinių kraštinių įrenginių energijos ribas.&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><item><title>Zero Trust sintetinė duomenų struktūra Edge AI</title><link>https://blog.formize.com/lt/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="zero-trust-sintetinė-duomenų-struktūra-edge-ai">Zero Trust sintetinė duomenų struktūra Edge AI&lt;/h1>
&lt;h2 id="1-kodėl-edge-ai-reikia-zero-trusthttpswwwnistgovcyberframework-sintetinės-duomenų-struktūros">1. Kodėl Edge AI reikia &lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">Zero Trust&lt;/a> sintetinės duomenų struktūros&lt;/h2>
&lt;p>Edge įrenginiai – pramoniniai jutikliai, autonominiai dronai, išmaniosios kameros ir nešiojami įrenginiai – vis dažniau atsakingi už duomenų generavimą, apdorojimą ir veikimą realiu laiku. Skirtingai nuo centralizuotų debesų, edge aplinka yra &lt;strong>platinama, heterogeniška ir dažnai veikia priešiškuose arba prastai kontroliuojamuose tinkluose&lt;/strong>. Tradiciniai, perimetrui pagrįsti saugumo modeliai nesugeba apsaugoti jautrių duomenų, kurie keliauja per šiuos mazgus, ypač kai sintetiniai duomenys naudojami papildant ribotus mokymo pavyzdžius.&lt;/p></description></item></channel></rss>