<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>GAN on Блог Formize.com</title><link>https://blog.formize.com/ru/tags/gan/</link><description>Recent content in GAN on Блог Formize.com</description><generator>Hugo</generator><language>ru</language><atom:link href="https://blog.formize.com/ru/tags/gan/index.xml" rel="self" type="application/rss+xml"/><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></channel></rss>