<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Homomorphic Encryption on Блог Formize.com</title><link>https://blog.formize.com/ru/tags/homomorphic-encryption/</link><description>Recent content in Homomorphic Encryption on Блог Formize.com</description><generator>Hugo</generator><language>ru</language><atom:link href="https://blog.formize.com/ru/tags/homomorphic-encryption/index.xml" rel="self" type="application/rss+xml"/><item><title>Безопасное совместное создание синтетических данных с гомоморфным шифрованием</title><link>https://blog.formize.com/ru/secure-multi-party-synthetic-data-collaboration/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ru/secure-multi-party-synthetic-data-collaboration/</guid><description>&lt;h1 id="безопасное-совместное-создание-синтетических-данных-с-гомоморфным-шифрованием">Безопасное совместное создание синтетических данных с гомоморфным шифрованием&lt;/h1>
&lt;p>В эпоху, когда модели ИИ, основанные на данных, являются конкурентным преимуществом, &lt;strong>синтетические данные&lt;/strong> стали мощной альтернативой обмену реальными записями. Однако когда нескольким сторонам необходимо &lt;strong>совместно создавать&lt;/strong> синтетические наборы данных — например, в межотраслевых исследованиях в области здравоохранения, федеративной финансовой аналитике или совместных симуляциях автономных транспортных средств — конфиденциальность, нормативное соответствие и доверие становятся серьёзными препятствиями.&lt;/p>
&lt;p>В этой статье представлена &lt;strong>рамка конфиденциального сотрудничества&lt;/strong>, объединяющая три передовых концепции:&lt;/p></description></item><item><title>Безопасное федеративное генерация синтетических данных на периферийных устройствах с гомоморфным шифрованием</title><link>https://blog.formize.com/ru/secure-federated-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ru/secure-federated-edge-synthetic-data-generation/</guid><description>&lt;h1 id="безопасное-федеративное-генерация-синтетических-данных-на-периферийных-устройствах-с-гомоморфным-шифрованием">Безопасное федеративное генерация синтетических данных на периферийных устройствах с гомоморфным шифрованием&lt;/h1>
&lt;p>В мире, где нормативы по защите данных ужесточаются, а нагрузки ИИ на краю стремительно растут, организации сталкиваются с парадоксом: им нужны богатые, разнообразные наборы данных для обучения моделей, но они не могут перемещать сырые данные в централизованные облака. &lt;strong>Синтетические данные&lt;/strong> — искусственно сгенерированные записи, сохраняющие статистические свойства исходных — предлагают убедительное решение, однако безопасная генерация их на периферийных устройствах создает новые вызовы.&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>Синтетическая ткань данных с нулевым доверием для Edge AI</title><link>https://blog.formize.com/ru/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/ru/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="синтетическая-ткань-данных-с-нулевым-доверием-для-edge-ai">Синтетическая ткань данных с нулевым доверием для Edge AI&lt;/h1>
&lt;h2 id="1-почему-edge-ai-нуждается-в-zero-trusthttpswwwnistgovcyberframework-синтетической-ткани-данных">1. Почему Edge AI нуждается в &lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">Zero Trust&lt;/a> синтетической ткани данных&lt;/h2>
&lt;p>Периферийные устройства — промышленные датчики, автономные дроны, умные камеры и носимые гаджеты — всё чаще отвечают за генерацию, обработку и реакцию на данные в реальном времени. В отличие от централизованных облаков, периферийные среды &lt;strong>распределённые, гетерогенные и часто работают в враждебных или слабо контролируемых сетях&lt;/strong>. Традиционные модели безопасности, основанные на периметру, не способны защитить чувствительные данные, проходящие через эти узлы, особенно когда синтетические данные используются для дополнения скудных обучающих выборок.&lt;/p></description></item></channel></rss>