<?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 tinklaraštis</title><link>https://blog.formize.com/lt/tags/real-time/</link><description>Recent content in Real-Time on Formize.com tinklaraštis</description><generator>Hugo</generator><language>lt</language><atom:link href="https://blog.formize.com/lt/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><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></channel></rss>