<?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 Blog Formize.com</title><link>https://blog.formize.com/sk/tags/gan/</link><description>Recent content in GAN on Blog Formize.com</description><generator>Hugo</generator><language>sk</language><atom:link href="https://blog.formize.com/sk/tags/gan/index.xml" rel="self" type="application/rss+xml"/><item><title>Differenciálne súkromné syntetické dáta pre edge zdravotnícke IoT</title><link>https://blog.formize.com/sk/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/sk/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="differenciálne-súkromné-syntetické-dáta-pre-edge-zdravotnícke-iot">Differenciálne súkromné syntetické dáta pre edge zdravotnícke IoT&lt;/h1>
&lt;h2 id="úvod">Úvod&lt;/h2>
&lt;p>Edge‑povolené medicínske zariadenia — nositeľné monitory srdcovej frekvencie, glukózové senzory, prenosné ultrazvukové sondy — generujú obrovské prúdy osobne identifikovateľných zdravotných informácií. Presun analytiky na edge znižuje latenciu a náklady na šírku pásma, ale zároveň vyvoláva kritickú otázku: &lt;strong>Ako môžeme z týchto dát vyťažiť hodnotu bez ohrozenia súkromia pacientov?&lt;/strong>&lt;/p>
&lt;p>Generovanie syntetických dát ponúka sľubnú odpoveď. Tréningom generatívneho modelu na reálnych meraniach a následným uvoľňovaním iba výstupov modelu môžu organizácie zdieľať dáta pre výskum, tréning AI modelov alebo medziinštitucionálnu spoluprácu, aniž by kedy prenášali surové záznamy pacientov. Avšak naívne pipeline pre syntetické dáta môžu stále uniknúť citlivé informácie prostredníctvom útokov typu modelovej inverzie alebo inferencie príslušnosti.&lt;/p></description></item></channel></rss>