<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Federated Learning on Blog Formize.com</title><link>https://blog.formize.com/ms/tags/federated-learning/</link><description>Recent content in Federated Learning on Blog Formize.com</description><generator>Hugo</generator><language>ms</language><atom:link href="https://blog.formize.com/ms/tags/federated-learning/index.xml" rel="self" type="application/rss+xml"/><item><title>Mempercepatkan Provenans Data Pembelajaran Teragih dan Pematuhan dengan Formize</title><link>https://blog.formize.com/ms/accelerating-federated-learning-data-provenance-with-formize/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ms/accelerating-federated-learning-data-provenance-with-formize/</guid><description>&lt;h1 id="mempercepatkan-provenans-data-pembelajaran-teragih-dan-pematuhan-dengan-formize">Mempercepatkan Provenans Data Pembelajaran Teragih dan Pematuhan dengan Formize&lt;/h1>
&lt;p>Pembelajaran teragih (FL) telah menjadi strategi de‑facto untuk melatih model AI berkualiti tinggi sambil mengekalkan data mentah di peranti. Pendekatan ini menyelesaikan banyak kebimbangan privasi, tetapi ia juga memperkenalkan satu set cabaran pematuhan baru: menjejaki data mana yang menyumbang kepada kemas kini model mana, membuktikan bahawa persetujuan telah diperoleh, dan menjamin bahawa jejak audit tidak dapat diubah di antara ribuan nod tepi.&lt;/p></description></item></channel></rss>