<?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 Blog Formize.com</title><link>https://blog.formize.com/vi/tags/homomorphic-encryption/</link><description>Recent content in Homomorphic Encryption on Blog Formize.com</description><generator>Hugo</generator><language>vi</language><atom:link href="https://blog.formize.com/vi/tags/homomorphic-encryption/index.xml" rel="self" type="application/rss+xml"/><item><title>Hợp Tác Dữ Liệu Tổng Hợp Đa Bên Bảo Mật với Mã Hóa Đồng Dạng</title><link>https://blog.formize.com/vi/secure-multi-party-synthetic-data-collaboration/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/vi/secure-multi-party-synthetic-data-collaboration/</guid><description>&lt;h1 id="hợp-tác-dữ-liệu-tổng-hợp-đa-bên-bảo-mật-với-mã-hóa-đồng-dạng">Hợp Tác Dữ Liệu Tổng Hợp Đa Bên Bảo Mật với Mã Hóa Đồng Dạng&lt;/h1>
&lt;p>Trong thời đại các mô hình AI dựa trên dữ liệu là lợi thế cạnh tranh, &lt;strong>dữ liệu tổng hợp&lt;/strong> đã nổi lên như một lựa chọn mạnh mẽ thay thế việc chia sẻ các bản ghi thực tế. Tuy nhiên, khi nhiều bên cần &lt;strong>cùng tạo&lt;/strong> các bộ dữ liệu tổng hợp—ví dụ như nghiên cứu y tế liên ngành, phân tích tài chính liên hợp, hoặc mô phỏng xe tự hành chung—riêng tư, tuân thủ quy định và niềm tin trở thành những rào cản lớn.&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>Mạng Dữ Liệu Tổng Hợp Zero Trust cho Edge AI</title><link>https://blog.formize.com/vi/zero-trust-synthetic-data-fabric-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/vi/zero-trust-synthetic-data-fabric-for-edge-ai/</guid><description>&lt;h1 id="mạng-dữ-liệu-tổng-hợp-zero-trust-cho-edge-ai">Mạng Dữ Liệu Tổng Hợp Zero Trust cho Edge AI&lt;/h1>
&lt;h2 id="1-tại-sao-edge-ai-cần-một-zero-trusthttpswwwnistgovcyberframework-synthetic-data-fabric">1. Tại sao Edge AI cần một &lt;a href="https://www.nist.gov/cyberframework" target="_blank" rel="noreferrer nofollow">Zero Trust&lt;/a> Synthetic Data Fabric&lt;/h2>
&lt;p>Thiết bị edge—các cảm biến công nghiệp, drone tự động, camera thông minh và thiết bị đeo—đang ngày càng chịu trách nhiệm tạo ra, xử lý và hành động dựa trên dữ liệu trong thời gian thực. Khác với các đám mây tập trung, môi trường edge là &lt;strong>phân tán, đa dạng và thường hoạt động trong các mạng thù địch hoặc kiểm soát kém&lt;/strong>. Các mô hình bảo mật dựa trên rào chắn truyền thống không thể bảo vệ dữ liệu nhạy cảm khi di chuyển qua các nút này, đặc biệt khi dữ liệu tổng hợp được sử dụng để bổ sung các mẫu huấn luyện hiếm.&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 Bên Cạnh Liên Bang Bảo Mật với Mã Hóa Đồng Dạng</title><link>https://blog.formize.com/vi/secure-federated-edge-synthetic-data-generation/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/vi/secure-federated-edge-synthetic-data-generation/</guid><description>&lt;h1 id="tạo-dữ-liệu-tổng-hợp-bên-cạnh-liên-bang-bảo-mật-với-mã-hóa-đồng-dạng">Tạo Dữ Liệu Tổng Hợp Bên Cạnh Liên Bang Bảo Mật với Mã Hóa Đồng Dạng&lt;/h1>
&lt;p>Trong một thế giới mà các quy định về quyền riêng tư dữ liệu ngày càng chặt chẽ và khối lượng công việc AI biên đang bùng nổ, các tổ chức đối mặt với một nghịch lý: họ cần các bộ dữ liệu phong phú, đa dạng để huấn luyện mô hình, nhưng lại không thể di chuyển dữ liệu thô lên các đám mây trung tâm. &lt;strong>Synthetic data&lt;/strong> — các bản ghi được tạo ra nhân tạo mà vẫn bảo tồn các đặc tính thống kê của nguồn dữ liệu — cung cấp một giải pháp hấp dẫn, nhưng việc tạo chúng một cách an toàn trên các thiết bị biên lại đưa ra những thách thức mới.&lt;/p></description></item></channel></rss>