<?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 Блог Formize.com</title><link>https://blog.formize.com/ru/tags/real-time/</link><description>Recent content in Real-Time on Блог Formize.com</description><generator>Hugo</generator><language>ru</language><atom:link href="https://blog.formize.com/ru/tags/real-time/index.xml" rel="self" type="application/rss+xml"/><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></channel></rss>