<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Privacy on Блог Formize.com</title><link>https://blog.formize.com/ru/categories/privacy/</link><description>Recent content in Privacy on Блог Formize.com</description><generator>Hugo</generator><language>ru</language><atom:link href="https://blog.formize.com/ru/categories/privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>Генерация дифференциально приватных синтетических данных с помощью обучения с подкреплением для Edge AI</title><link>https://blog.formize.com/ru/reinforcement-learning-guided-differentially-private-synthet/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ru/reinforcement-learning-guided-differentially-private-synthet/</guid><description>&lt;h1 id="генерация-дифференциально-приватных-синтетических-данных-с-помощью-обучения-с-подкреплением-для-edge-ai">Генерация дифференциально приватных синтетических данных с помощью обучения с подкреплением для Edge AI&lt;/h1>
&lt;h2 id="введение">Введение&lt;/h2>
&lt;p>Edge AI трансформирует отрасли — от автономных транспортных средств до удаленного мониторинга здоровья. Перемещая вывод и обучение ближе к источнику данных, снижается задержка, уменьшается потребление пропускной способности и повышается суверенитет данных. Однако edge‑устройства часто работают в условиях строгих нормативов конфиденциальности (&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a>, &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>, &lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>) и ограниченных вычислительных ресурсов. Синтетические данные — искусственно сгенерированные записи, сохраняющие статистические свойства реальных данных — предоставляют убедительный способ делиться инсайтами без раскрытия исходной информации.&lt;/p></description></item><item><title>Генерация синтетических данных в реальном времени с сохранением конфиденциальности на периферии с использованием гомоморфного шифрования и федеративного обучения</title><link>https://blog.formize.com/ru/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/ru/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="генерация-синтетических-данных-в-реальном-времени-с-сохранением-конфиденциальности-на-периферии-с-использованием-гомоморфного-шифрования-и-федеративного-обучения">Генерация синтетических данных в реальном времени с сохранением конфиденциальности на периферии с использованием гомоморфного шифрования и федеративного обучения&lt;/h1>
&lt;h2 id="введение">Введение&lt;/h2>
&lt;p>Edge AI переходит от задач только вывода к &lt;strong>данноцентричным&lt;/strong> конвейерам, требующим непрерывного обновления моделей, обучения на устройстве и генерации синтетических данных. Хотя синтетические данные могут значительно сократить необходимость дорогого сбора реального мира, они также вызывают &lt;strong>проблемы конфиденциальности&lt;/strong>, когда исходные данные поступают с устройств пользователей. Традиционные техники анонимизации (маскирование, дифференциальная приватность) либо ухудшают полезность данных, либо требуют доверенного центрального органа — что нежелательно для сценариев с чувствительной к задержкам периферией.&lt;/p></description></item><item><title>Генерация синтетических данных на основе гомоморфного шифрования на периферийных устройствах</title><link>https://blog.formize.com/ru/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ru/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="генерация-синтетических-данных-на-основе-гомоморфного-шифрования-на-периферийных-устройствах">Генерация синтетических данных на основе гомоморфного шифрования на периферийных устройствах&lt;/h1>
&lt;h2 id="введение">Введение&lt;/h2>
&lt;p>Периферийные устройства — умные камеры, носимые гаджеты, промышленные датчики — собирают огромные потоки персональных или собственнических данных. Традиционные конвейеры отправляют эти необработанные данные в облако для очистки, аугментации или генерации синтетических данных, что открывает возможности перехвата, нарушений регулятивных требований и задержек.&lt;/p>
&lt;p>&lt;strong>Гомоморфное шифрование (HE)&lt;/strong> предлагает убедительную альтернативу: оно позволяет выполнять вычисления непосредственно над зашифрованными данными, сохраняя конфиденциальность и одновременно позволяя проводить сложный анализ. Совмещение HE с генераторами синтетических данных на устройстве создаёт &lt;strong>конвейер синтетических данных с сохранением конфиденциальности&lt;/strong>, который никогда не раскрывает исходный полезный нагрузку, даже самому вычислительному движку.&lt;/p></description></item><item><title>Динамическое создание синтетических данных на краю, объединяющее федеративное обучение, нулевое доверие и контроль конфиденциальности в реальном времени</title><link>https://blog.formize.com/ru/edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ru/edge-synthetic-data-generation/</guid><description>&lt;h1 id="динамическое-создание-синтетических-данных-на-краю-объединяющее-федеративное-обучение-нулевое-доверие-и-контроль-конфиденциальности-в-реальном-времени">Динамическое создание синтетических данных на краю, объединяющее федеративное обучение, нулевое доверие и контроль конфиденциальности в реальном времени&lt;/h1>
&lt;h2 id="введение">Введение&lt;/h2>
&lt;p>Синтетические данные стали краеугольным камнем для обучения моделей машинного обучения, когда реальные данные редки, чувствительны или их дорого получать. Традиционные конвейеры синтетических данных работают в централизованных дата‑центрах: они собирают необработанные данные из разных источников, применяют трансформации, сохраняющие конфиденциальность, и затем распределяют сгенерированные данные потребителям. Хотя такой подход эффективен, он вносит задержки, нагрузку на полосу пропускания и создает единую точку отказа с точки зрения соблюдения конфиденциальности.&lt;/p></description></item><item><title>Дифференциально приватные синтетические данные для Edge Healthcare IoT</title><link>https://blog.formize.com/ru/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ru/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="дифференциально-приватные-синтетические-данные-для-edge-healthcare-iot">Дифференциально приватные синтетические данные для Edge Healthcare IoT&lt;/h1>
&lt;h2 id="введение">Введение&lt;/h2>
&lt;p>Периферийные медицинские устройства — носимые мониторы сердечного ритма, глюкометры, портативные ультразвуковые датчики — генерируют огромные потоки персонально идентифицируемой информации о здоровье. Перенос аналитики на край уменьшает задержки и затраты на пропускную способность, но одновременно поднимает критический вопрос: &lt;strong>Как извлечь ценность из этих данных, не раскрывая конфиденциальность пациентов?&lt;/strong>&lt;/p>
&lt;p>Генерация синтетических данных предлагает многообещающий ответ. Обучив генеративную модель на реальных измерениях и затем выдавая только её выводы, организации могут делиться данными для исследований, обучения ИИ‑моделей или межучреждённого сотрудничества, не передавая сырые записи пациентов. Однако наивные конвейеры синтетических данных всё ещё могут утекать чувствительная информация через атаки обратного моделирования или определения принадлежности.&lt;/p></description></item><item><title>Дифференциально‑приватное сжатие синтетических данных для передачи по низкоскоростным каналам на периферии</title><link>https://blog.formize.com/ru/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ru/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="дифференциальноприватное-сжатие-синтетических-данных-для-передачи-по-низкоскоростным-каналам-на-периферии">Дифференциально‑приватное сжатие синтетических данных для передачи по низкоскоростным каналам на периферии&lt;/h1>
&lt;h2 id="введение">Введение&lt;/h2>
&lt;p>Периферийные устройства — умные камеры, носимые гаджеты, промышленные датчики — всё чаще генерируют огромные потоки данных, которые необходимо передавать в центральные аналитические платформы. Передача необработанных данных часто невозможна из‑за ограниченной пропускной способности, ограничений по энергии и строгих требований конфиденциальности, таких как &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> и &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>. Генерация синтетических данных стала мощной техникой для обмена полезной информацией при защите исходных персональных данных. Однако синтетические наборы могут быть объёмными, особенно когда они сохраняют высокоразмерные структуры, необходимые для последующих моделей ИИ.&lt;/p></description></item></channel></rss>