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