<?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 Blog</title><link>https://blog.formize.com/nl/tags/real-time/</link><description>Recent content in Real-Time on Formize.com Blog</description><generator>Hugo</generator><language>nl</language><atom:link href="https://blog.formize.com/nl/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><item><title>Realtime privacy‑behoudende synthetische datageneratie aan de rand met homomorfe encryptie en gefedereerd leren</title><link>https://blog.formize.com/nl/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/nl/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="realtime-privacybehoudende-synthetische-datageneratie-aan-de-rand-met-homomorfe-encryptie-en-gefedereerd-leren">Realtime privacy‑behoudende synthetische datageneratie aan de rand met homomorfe encryptie en gefedereerd leren&lt;/h1>
&lt;h2 id="inleiding">Inleiding&lt;/h2>
&lt;p>Edge‑AI verschuift van alleen‑inference‑workloads naar &lt;strong>data‑centrische&lt;/strong> pijplijnen die continue modelupdates, on‑device training en synthetische datageneratie vereisen. Hoewel synthetische data de noodzaak voor dure real‑world verzameling drastisch kan verminderen, brengt het ook &lt;strong>privacy&lt;/strong>‑problemen met zich mee wanneer de brondata afkomstig is van gebruikersapparaten. Traditionele anonimiseringsmethoden (maskering, differentiële privacy) verminderen ofwel de datagebruik‑waarde of vereisen een vertrouwde centrale autoriteit — beide ongewenst voor latentie‑gevoelige randscenario’s.&lt;/p></description></item></channel></rss>