<?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/ro/tags/real-time/</link><description>Recent content in Real-Time on Blog Formize.com</description><generator>Hugo</generator><language>ro</language><atom:link href="https://blog.formize.com/ro/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><item><title>Generarea în timp real a datelor sintetice cu protecție a confidențialității la margine utilizând criptarea omomorfă și învățarea federată</title><link>https://blog.formize.com/ro/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/ro/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="generarea-în-timp-real-a-datelor-sintetice-cu-protecție-a-confidențialității-la-margine-utilizând-criptarea-omomorfă-și-învățarea-federată">Generarea în timp real a datelor sintetice cu protecție a confidențialității la margine utilizând criptarea omomorfă și învățarea federată&lt;/h1>
&lt;h2 id="introducere">Introducere&lt;/h2>
&lt;p>AI la margine trece de la sarcini de inferență exclusivă la conducte &lt;strong>centrate pe date&lt;/strong> care necesită actualizări continue ale modelelor, antrenament pe dispozitiv și generare de date sintetice. Deși datele sintetice pot reduce dramatic nevoia de colectare costisitoare în lumea reală, ele ridică și probleme de &lt;strong>confidențialitate&lt;/strong> atunci când datele sursă provin de pe dispozitivele utilizatorilor. Tehnicile tradiționale de anonimizare (mascare, confidențialitate diferențială) fie degradează utilitatea datelor, fie necesită o autoritate centrală de încredere — ambele sunt nedorite în scenarii de margine sensibile la latență.&lt;/p></description></item></channel></rss>