<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Synthetic Data Generation on Formize.com tinklaraštis</title><link>https://blog.formize.com/lt/tags/synthetic-data-generation/</link><description>Recent content in Synthetic Data Generation on Formize.com tinklaraštis</description><generator>Hugo</generator><language>lt</language><atom:link href="https://blog.formize.com/lt/tags/synthetic-data-generation/index.xml" rel="self" type="application/rss+xml"/><item><title>Causal Graph pagrindu sukurtų sintetinės duomenų generavimas reguliavimo atitikties tikslais</title><link>https://blog.formize.com/lt/causal-graph-synthetic-data-for-compliance/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/causal-graph-synthetic-data-for-compliance/</guid><description>&lt;h1 id="causal-graph-pagrindu-sukurtų-sintetinės-duomenų-generavimas-reguliavimo-atitikties-tikslais">Causal Graph pagrindu sukurtų sintetinės duomenų generavimas reguliavimo atitikties tikslais&lt;/h1>
&lt;h2 id="įvadas">Įvadas&lt;/h2>
&lt;p>Sintetiniai duomenys tapo kertiniu akmeniu mokant AI modelius, kai realūs duomenys yra reti, jautrūs arba griežtai reguliuojami. Tradiciniai generatyviniai metodai (GAN, difuzijos modeliai, LLM valdomi simuliatoriai) puikiai atkuria statistines pasiskirstymo savybes, tačiau dažnai ignoruoja &lt;strong>priežastinius ryšius&lt;/strong>, kurių reguliuotojai vis dažniau reikalauja išsaugoti.&lt;/p>
&lt;p>Reguliuotojai, tokie kaip ES &lt;strong>&lt;a href="https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai" target="_blank" rel="noreferrer nofollow">AI Act&lt;/a>&lt;/strong>, JAV &lt;strong>FDA&lt;/strong> medicinos įrenginiams ir &lt;strong>&lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>&lt;/strong> vartotojų privatumo srityje, siekia &lt;strong>paaiškinamumo&lt;/strong> ir &lt;strong>sekamumo&lt;/strong> duomenų srautų. Sintetinis duomenų rinkinys, kuris tik atkuria marginalines statistikas, gali praeiti paviršutinišką auditą, bet nesugebės atsakyti į reguliuotojo klausimą: „Ar galite įrodyti, kad sintetiniai įrašai gerbia pagrindinius priežastinius mechanizmus šaltinio populiacijoje?“&lt;/p></description></item><item><title>Energiją taupanti sintetinė duomenų generacija baterijomis apribotoms Edge AI sistemoms</title><link>https://blog.formize.com/lt/energy-efficient-synthetic-data-generation-for-battery-const/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/lt/energy-efficient-synthetic-data-generation-for-battery-const/</guid><description>&lt;h1 id="energiją-taupanti-sintetinė-duomenų-generacija-baterijomis-apribotoms-edge-ai-sistemoms">Energiją taupanti sintetinė duomenų generacija baterijomis apribotoms Edge AI sistemoms&lt;/h1>
&lt;p>Edge AI pereina nuo vien tik išvadų atlikimo iki &lt;strong>duomenų‑centrinių procesų&lt;/strong>, kur įrenginiai ne tik priima duomenis, bet ir &lt;strong>kuria&lt;/strong> juos. Sintetinis duomenų generavimas krašte gali žymiai sumažinti delsą, apsaugoti privatumą ir sumažinti pralaidumo kaštus. Tačiau krašto įrenginiai – ypač tie, kurie maitinami baterijomis – turi griežtus energijos biudžetus. Šiame straipsnyje pristatomas išsamus, energiją tausojantis požiūris į sintetinį duomenų generavimą baterijomis apribotuose krašto mazguose, sujungiant modelio suspaudimą, įrenginio vidinę difuziją ir federacinę koordinaciją.&lt;/p></description></item><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>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></channel></rss>