<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Homomorphic Encryption on Blog Formize.com</title><link>https://blog.formize.com/ms/tags/homomorphic-encryption/</link><description>Recent content in Homomorphic Encryption on Blog Formize.com</description><generator>Hugo</generator><language>ms</language><atom:link href="https://blog.formize.com/ms/tags/homomorphic-encryption/index.xml" rel="self" type="application/rss+xml"/><item><title>Kain Data Sintetik Zero Trust untuk Edge AI</title><link>https://blog.formize.com/ms/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ms/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="kain-data-sintetik-zero-trust-untuk-edge-ai">Kain Data Sintetik Zero Trust untuk Edge AI&lt;/h1>
&lt;h2 id="1-mengapa-edge-ai-memerlukan-kain-data-sintetik-zero-trust">1. Mengapa Edge AI Memerlukan Kain Data Sintetik Zero Trust&lt;/h2>
&lt;p>Peranti tepi — sensor industri, dron autonomi, kamera pintar, dan peranti boleh pakai — semakin banyak bertanggungjawab menghasilkan, memproses, dan bertindak atas data secara masa nyata. Berbeza dengan awan berpusat, persekitaran tepi &lt;strong>teragih, heterogen, dan sering beroperasi dalam rangkaian yang bermusuhan atau kurang terkawal&lt;/strong>. Model keselamatan berasaskan perimeter tradisional gagal melindungi data sensitif yang melintasi nod‑nod ini, terutamanya apabila data sintetik digunakan untuk menambah sampel latihan yang terhad.&lt;/p></description></item><item><title>Kerjasama Data Sintetis Pelbagai Pihak yang Selamat dengan Enkripsi Homomorfik</title><link>https://blog.formize.com/ms/secure-multi-party-synthetic-data-collaboration/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ms/secure-multi-party-synthetic-data-collaboration/</guid><description>&lt;h1 id="kerjasama-data-sintetis-pelbagai-pihak-yang-selamat-dengan-enkripsi-homomorfik">Kerjasama Data Sintetis Pelbagai Pihak yang Selamat dengan Enkripsi Homomorfik&lt;/h1>
&lt;p>Dalam era di mana model AI berasaskan data menjadi kelebihan kompetitif, &lt;strong>data sintetik&lt;/strong> telah muncul sebagai alternatif yang kuat kepada perkongsian rekod dunia sebenar. Namun, apabila pelbagai pihak perlu &lt;strong>bersama‑cipta&lt;/strong> set data sintetik—contohnya penyelidikan kesihatan merentasi industri, analitik kewangan berfederasi, atau simulasi kenderaan autonomi bersama—privasi, pematuhan peraturan, dan kepercayaan menjadi halangan utama.&lt;/p>
&lt;p>Artikel ini memperkenalkan &lt;strong>rangka kerja kolaborasi yang melindungi privasi&lt;/strong> yang menggabungkan tiga konsep terkemuka:&lt;/p></description></item><item><title>Penjanaan Data Sintetis Berkuasa Enkripsi Homomorfik di Edge</title><link>https://blog.formize.com/ms/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ms/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="penjanaan-data-sintetis-berkuasa-enkripsi-homomorfik-di-edge">Penjanaan Data Sintetis Berkuasa Enkripsi Homomorfik di Edge&lt;/h1>
&lt;h2 id="pengenalan">Pengenalan&lt;/h2>
&lt;p>Peranti edge—kamera pintar, peranti boleh pakai, sensor industri—mengumpul aliran data peribadi atau proprietari yang besar. Saluran tradisional memindahkan data mentah ini ke awan untuk pembersihan, augmentasi, atau penjanaan data sintetis, yang menyebabkan pendedahan kepada penyadapan, pelanggaran peraturan, dan penalti kelewatan.&lt;/p>
&lt;p>&lt;strong>Enkripsi Homomorfik (HE)&lt;/strong> menawarkan alternatif yang menarik: ia membenarkan pengiraan secara langsung pada data yang telah dienkripsi, mengekalkan kerahsiaan sambil masih membolehkan analitik canggih. Menggabungkan HE dengan penjana data sintetis pada peranti menghasilkan &lt;strong>paip data sintetis yang melindungi privasi&lt;/strong> yang tidak pernah mendedahkan muatan asal, walaupun kepada enjin pengiraan itu sendiri.&lt;/p></description></item><item><title>Penjanaan Data Sintetis Edge Teragih yang Selamat dengan Enkripsi Homomorfik</title><link>https://blog.formize.com/ms/secure-federated-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ms/secure-federated-edge-synthetic-data-generation/</guid><description>&lt;h1 id="penjanaan-data-sintetis-edge-teragih-yang-selamat-dengan-enkripsi-homomorfik">Penjanaan Data Sintetis Edge Teragih yang Selamat dengan Enkripsi Homomorfik&lt;/h1>
&lt;p>Dalam dunia di mana peraturan privasi data semakin ketat dan beban kerja AI edge semakin meningkat, organisasi menghadapi paradoks: mereka memerlukan set data yang kaya dan pelbagai untuk melatih model, namun mereka tidak dapat memindahkan data mentah ke awan terpusat. &lt;strong>Data sintetis&lt;/strong>—rekod yang dijana secara buatan yang mengekalkan sifat statistik sumber—menawarkan penyelesaian yang menarik, tetapi menjana ia secara selamat pada peranti edge memperkenalkan cabaran baru.&lt;/p></description></item><item><title>Penjanaan Data Sintetis Masa Nyata yang Menjaga Privasi di Edge Menggunakan Enkripsi Homomorfik dan Pembelajaran Teragregasi</title><link>https://blog.formize.com/ms/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/ms/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="penjanaan-data-sintetis-masa-nyata-yang-menjaga-privasi-di-edge-menggunakan-enkripsi-homomorfik-dan-pembelajaran-teragregasi">Penjanaan Data Sintetis Masa Nyata yang Menjaga Privasi di Edge Menggunakan Enkripsi Homomorfik dan Pembelajaran Teragregasi&lt;/h1>
&lt;h2 id="pengenalan">Pengenalan&lt;/h2>
&lt;p>AI di edge sedang beralih daripada beban kerja inferens‑sahaja kepada &lt;strong>paip berpusatkan data&lt;/strong> yang memerlukan kemas kini model berterusan, latihan pada peranti, dan penjanaan data sintetis. Walaupun data sintetis dapat mengurangkan keperluan pengumpulan data dunia nyata yang mahal, ia juga menimbulkan kebimbangan &lt;strong>privasi&lt;/strong> apabila data sumber berasal daripada peranti pengguna. Teknik anonimisasi tradisional (penyamaran, privasi diferensial) sama ada menurunkan kegunaan data atau memerlukan pihak berkuasa pusat yang dipercayai—kedua‑duanya tidak diingini untuk senario edge yang sensitif kepada latensi.&lt;/p></description></item></channel></rss>