<?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 Blog Formize.com</title><link>https://blog.formize.com/vi/categories/privacy/</link><description>Recent content in Privacy on Blog Formize.com</description><generator>Hugo</generator><language>vi</language><atom:link href="https://blog.formize.com/vi/categories/privacy/index.xml" rel="self" type="application/rss+xml"/><item><title>Dữ liệu tổng hợp riêng tư khác biệt cho Edge Healthcare IoT</title><link>https://blog.formize.com/vi/differentially-private-synthetic-data-for-edge-healthcare-io/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/vi/differentially-private-synthetic-data-for-edge-healthcare-io/</guid><description>&lt;h1 id="dữ-liệu-tổng-hợp-riêng-tư-khác-biệt-cho-edge-healthcare-iot">Dữ liệu tổng hợp riêng tư khác biệt cho Edge Healthcare IoT&lt;/h1>
&lt;h2 id="giới-thiệu">Giới thiệu&lt;/h2>
&lt;p>Các thiết bị y tế hỗ trợ Edge—đồng hồ đo nhịp tim đeo được, cảm biến glucose, đầu dò siêu âm di động—tạo ra các luồng dữ liệu sức khỏe có thể nhận dạng cá nhân với quy mô lớn. Trong khi chuyển phân tích lên edge giảm độ trễ và chi phí băng thông, nó cũng đặt ra một câu hỏi quan trọng: &lt;strong>Làm thế nào chúng ta có thể khai thác giá trị từ dữ liệu này mà không tiết lộ quyền riêng tư của bệnh nhân?&lt;/strong>&lt;/p></description></item><item><title>Mã Hóa Đồng Dạng Được Sử Dụng Để Tạo Dữ Liệu Tổng Hợp Tại Cạnh</title><link>https://blog.formize.com/vi/homomorphic-encryption-powered-synthetic-data-generation-at/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/vi/homomorphic-encryption-powered-synthetic-data-generation-at/</guid><description>&lt;h1 id="mã-hóa-đồng-dạng-được-sử-dụng-để-tạo-dữ-liệu-tổng-hợp-tại-cạnh">Mã Hóa Đồng Dạng Được Sử Dụng Để Tạo Dữ Liệu Tổng Hợp Tại Cạnh&lt;/h1>
&lt;h2 id="giới-thiệu">Giới thiệu&lt;/h2>
&lt;p>Các thiết bị cạnh — camera thông minh, thiết bị đeo, cảm biến công nghiệp — thu thập một lượng lớn luồng dữ liệu cá nhân hoặc sở hữu. Các pipeline truyền thống đưa dữ liệu thô này lên đám mây để làm sạch, tăng cường hoặc tạo dữ liệu tổng hợp, khiến chúng dễ bị chặn, vi phạm quy định và chịu phí trễ.&lt;/p></description></item><item><title>Nén Dữ Liệu Tổng Hợp Tư Nhân Bảo Mật Khác Biệt cho Truyền Tải Băng Thông Hẹp ở Cạnh</title><link>https://blog.formize.com/vi/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/vi/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="nén-dữ-liệu-tổng-hợp-tư-nhân-bảo-mật-khác-biệt-cho-truyền-tải-băng-thông-hẹp-ở-cạnh">Nén Dữ Liệu Tổng Hợp Tư Nhân Bảo Mật Khác Biệt cho Truyền Tải Băng Thông Hẹp ở Cạnh&lt;/h1>
&lt;h2 id="giới-thiệu">Giới thiệu&lt;/h2>
&lt;p>Các thiết bị cạnh—camera thông minh, thiết bị đeo, cảm biến công nghiệp—đang ngày càng tạo ra các luồng dữ liệu khổng lồ cần được chia sẻ với các nền tảng phân tích trung tâm. Việc truyền dữ liệu thô thường không khả thi do băng thông hạn chế, hạn chế về năng lượng, và các quy định bảo mật nghiêm ngặt như &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> và &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a>. Việc tạo dữ liệu tổng hợp đã nổi lên như một kỹ thuật mạnh mẽ để chia sẻ thông tin hữu ích đồng thời bảo vệ dữ liệu cá nhân gốc. Tuy nhiên, các bộ dữ liệu tổng hợp có thể rất lớn, đặc biệt khi chúng duy trì các cấu trúc đa chiều cao cần cho các mô hình AI downstream.&lt;/p></description></item><item><title>Tạo Dữ Liệu Tổng Hợp Bảo Mật Thời Gian Thực Tại Cạnh Sử Dụng Mã Hóa Đồng Hành và Học Liên Kết</title><link>https://blog.formize.com/vi/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/vi/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="tạo-dữ-liệu-tổng-hợp-bảo-mật-thời-gian-thực-tại-cạnh-sử-dụng-mã-hóa-đồng-hành-và-học-liên-kết">Tạo Dữ Liệu Tổng Hợp Bảo Mật Thời Gian Thực Tại Cạnh Sử Dụng Mã Hóa Đồng Hành và Học Liên Kết&lt;/h1>
&lt;h2 id="giới-thiệu">Giới Thiệu&lt;/h2>
&lt;p>AI tại cạnh đang chuyển từ các khối lượng công việc chỉ suy luận sang các pipeline &lt;strong>tập trung vào dữ liệu&lt;/strong> đòi hỏi cập nhật mô hình liên tục, đào tạo trên thiết bị và tạo dữ liệu tổng hợp. Trong khi dữ liệu tổng hợp có thể giảm đáng kể nhu cầu thu thập dữ liệu thực tế tốn kém, nó cũng gây ra các mối quan ngại &lt;strong>bảo mật&lt;/strong> khi dữ liệu nguồn xuất phát từ thiết bị của người dùng. Các kỹ thuật ẩn danh truyền thống (che giấu, differential privacy) hoặc làm giảm tính hữu dụng của dữ liệu hoặc yêu cầu một thực thể trung tâm đáng tin cậy — cả hai đều không phù hợp cho các kịch bản cạnh nhạy cảm về độ trễ.&lt;/p></description></item><item><title>Tạo Dữ Liệu Tổng Hợp Động tại Edge Kết Hợp Học Liên Kết, Zero Trust và Kiểm Soát Quyền Riêng Tư Thời Gian Thực</title><link>https://blog.formize.com/vi/edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/vi/edge-synthetic-data-generation/</guid><description>&lt;h1 id="tạo-dữ-liệu-tổng-hợp-động-tại-edge-kết-hợp-học-liên-kết-zero-trust-và-kiểm-soát-quyền-riêng-tư-thời-gian-thực">Tạo Dữ Liệu Tổng Hợp Động tại Edge Kết Hợp Học Liên Kết, Zero Trust và Kiểm Soát Quyền Riêng Tư Thời Gian Thực&lt;/h1>
&lt;h2 id="giới-thiệu">Giới thiệu&lt;/h2>
&lt;p>Dữ liệu tổng hợp đã trở thành một nền tảng quan trọng để huấn luyện các mô hình máy học khi dữ liệu thực tế hiếm, nhạy cảm hoặc tốn kém để thu thập. Các quy trình dữ liệu tổng hợp truyền thống chạy trong các trung tâm dữ liệu tập trung, kéo dữ liệu thô từ nhiều nguồn, áp dụng các biến đổi bảo vệ quyền riêng tư, sau đó phân phối dữ liệu đã tạo cho các người tiêu dùng hạ nguồn. Mặc dù hiệu quả, mô hình này tạo ra độ trễ, chi phí băng thông và một điểm thất bại duy nhất đối với việc tuân thủ quyền riêng tư.&lt;/p></description></item><item><title>Tạo Dữ Liệu Tổng Hợp Riêng Tư Khác Biệt Được Hướng Dẫn Bởi Học Tăng Cường cho Edge AI</title><link>https://blog.formize.com/vi/reinforcement-learning-guided-differentially-private-synthet/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/vi/reinforcement-learning-guided-differentially-private-synthet/</guid><description>&lt;h1 id="tạo-dữ-liệu-tổng-hợp-riêng-tư-khác-biệt-được-hướng-dẫn-bởi-học-tăng-cường-cho-edge-ai">Tạo Dữ Liệu Tổng Hợp Riêng Tư Khác Biệt Được Hướng Dẫn Bởi Học Tăng Cường cho Edge AI&lt;/h1>
&lt;h2 id="giới-thiệu">Giới thiệu&lt;/h2>
&lt;p>Edge AI đang thay đổi cách các ngành công nghiệp hoạt động, từ xe tự lái đến giám sát sức khỏe từ xa. Bằng cách đưa suy luận và đào tạo gần hơn với nguồn dữ liệu, độ trễ giảm, tiêu thụ băng thông giảm và quyền sở hữu dữ liệu được cải thiện. Tuy nhiên, các thiết bị edge thường phải tuân thủ các quy định bảo mật nghiêm ngặt (&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>) và tài nguyên tính toán hạn chế. Dữ liệu tổng hợp — các bản ghi được tạo ra nhân tạo nhưng vẫn giữ các đặc tính thống kê của dữ liệu thực — cung cấp một cách hấp dẫn để chia sẻ thông tin mà không phơi bày dữ liệu thô.&lt;/p></description></item></channel></rss>