<?xml version="1.0" encoding="utf-8" standalone="yes"?><rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel><title>Synthetic Data Generation on Formize.com 博客</title><link>https://blog.formize.com/zh/tags/synthetic-data-generation/</link><description>Recent content in Synthetic Data Generation on Formize.com 博客</description><generator>Hugo</generator><language>zh</language><atom:link href="https://blog.formize.com/zh/tags/synthetic-data-generation/index.xml" rel="self" type="application/rss+xml"/><item><title>差分隐私合成数据压缩用于低带宽边缘传输</title><link>https://blog.formize.com/zh/differentially-private-synthetic-data-compression-for-low-ba/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/zh/differentially-private-synthetic-data-compression-for-low-ba/</guid><description>&lt;h1 id="差分隐私合成数据压缩用于低带宽边缘传输">差分隐私合成数据压缩用于低带宽边缘传输&lt;/h1>
&lt;h2 id="引言">引言&lt;/h2>
&lt;p>边缘设备——智能摄像头、可穿戴设备、工业传感器——正日益产生大量需要与中心分析平台共享的数据流。由于带宽受限、功耗限制以及诸如 &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> 和 &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a> 等严格的隐私法规，直接传输原始数据往往不可行。合成数据生成已成为在保护原始个人数据的同时共享有用信息的强大技术。然而，合成数据集可能非常庞大，尤其是当它们需要保留下游 AI 模型所需的高维结构时。&lt;/p>
&lt;p>本文介绍了一条 &lt;strong>隐私保护压缩流水线&lt;/strong>，将 &lt;strong>差分隐私 (DP)&lt;/strong> 与最先进的压缩算法相结合。目标是 &lt;strong>在不牺牲统计效用的前提下&lt;/strong> 大幅降低合成数据的负载大小，以满足边缘 AI 任务的需求。我们将阐述理论基础、实际实现步骤以及性能结果，展示在保持严格隐私保证的同时实现高达 &lt;strong>70 % 的带宽节省&lt;/strong>。&lt;/p>
&lt;h2 id="为什么要将差分隐私与压缩相结合">为什么要将差分隐私与压缩相结合？&lt;/h2>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>挑战&lt;/th>
 &lt;th>传统方法&lt;/th>
 &lt;th>局限&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>隐私&lt;/strong>&lt;/td>
 &lt;td>在数据生成后再施加 DP&lt;/td>
 &lt;td>压缩产生的伪影会放大噪声&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>带宽&lt;/strong>&lt;/td>
 &lt;td>使用通用编解码器（如 gzip）&lt;/td>
 &lt;td>没有正式的隐私计量&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>效用&lt;/strong>&lt;/td>
 &lt;td>保持原始合成数据&lt;/td>
 &lt;td>对边缘设备而言传输成本过高&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>如果在 &lt;strong>压缩之前&lt;/strong> 添加 DP 噪声，噪声分布可能被压缩失真，从而削弱隐私保证。相反，先压缩再添加 DP 可能通过侧信道模式泄露信息。我们提出的流水线 &lt;strong>交错&lt;/strong> 了 DP 与压缩的步骤，以数学上可靠的方式保持端到端的 &lt;strong>ε‑DP&lt;/strong> 保证。&lt;/p>
&lt;h2 id="核心概念">核心概念&lt;/h2>
&lt;h3 id="差分隐私回顾">差分隐私回顾&lt;/h3>
&lt;p>差分隐私保证数据集中任意单条记录的加入或移除，只会使输出分布的概率变化不超过 &lt;em>e&lt;/em>^ε 的因子。形式化为：&lt;/p>
&lt;pre tabindex="0">&lt;code>Pr[M(D1) ∈ S] ≤ e^ε · Pr[M(D2) ∈ S] + δ
&lt;/code>&lt;/pre>&lt;p>其中 &lt;em>M&lt;/em> 为机制，&lt;em>D1&lt;/em> 与 &lt;em>D2&lt;/em> 只相差一条记录，&lt;em>S&lt;/em> 为任意可测集合，&lt;em>(ε, δ)&lt;/em> 为隐私参数。&lt;/p></description></item><item><title>电池受限边缘 AI 的能源高效合成数据生成</title><link>https://blog.formize.com/zh/energy-efficient-synthetic-data-generation-for-battery-const/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/zh/energy-efficient-synthetic-data-generation-for-battery-const/</guid><description>&lt;h1 id="电池受限边缘-ai-的能源高效合成数据生成">电池受限边缘 AI 的能源高效合成数据生成&lt;/h1>
&lt;p>Edge AI 正在从仅推理的工作负载转向 &lt;strong>以数据为中心的流水线&lt;/strong>，设备不仅消费数据，还 &lt;strong>创建&lt;/strong> 数据。边缘上的合成数据生成可以显著降低延迟、保护隐私并减轻带宽成本。然而，尤其是电池供电的边缘设备拥有严格的能量预算。本文提出一种面向能源的完整方法，在受电池约束的边缘节点上生成合成数据，融合模型压缩、设备端扩散和联邦协同。&lt;/p>
&lt;blockquote>
&lt;p>&lt;strong>关键要点：&lt;/strong> 通过结合轻量生成模型、自适应功率门控和协作式联邦更新，您可以在不耗尽设备电池的情况下生成高保真合成数据。&lt;/p>
&lt;/blockquote>
&lt;hr>
&lt;h2 id="1-为什么在边缘生成合成数据">1. 为什么在边缘生成合成数据？&lt;/h2>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>优势&lt;/th>
 &lt;th>传统云中心化流程&lt;/th>
 &lt;th>边缘中心化流程&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>延迟&lt;/strong>&lt;/td>
 &lt;td>秒到分钟（网络往返）&lt;/td>
 &lt;td>毫秒（本地计算）&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>隐私&lt;/strong>&lt;/td>
 &lt;td>数据离开设备，增加暴露风险&lt;/td>
 &lt;td>原始数据从不离开，仅生成合成样本&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>带宽&lt;/strong>&lt;/td>
 &lt;td>原始数据上行流量大&lt;/td>
 &lt;td>流量极少，仅模型更新&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>弹性&lt;/strong>&lt;/td>
 &lt;td>依赖网络连接&lt;/td>
 &lt;td>离线运行，适用于远程场景&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>在边缘生成合成数据能够实现 &lt;strong>实时模型适配&lt;/strong>、&lt;strong>持续学习&lt;/strong> 与 &lt;strong>隐私优先 AI&lt;/strong>——这些对自主无人机、可穿戴设备和工业物联网传感器等应用至关重要。&lt;/p>
&lt;hr>
&lt;h2 id="2-边缘设备的能源约束">2. 边缘设备的能源约束&lt;/h2>
&lt;p>电池供电的设备通常在以下范围内运行：&lt;/p>
&lt;ul>
&lt;li>&lt;strong>功率上限：&lt;/strong> 0.5 W – 2 W（活跃期间平均）&lt;/li>
&lt;li>&lt;strong>计算预算：&lt;/strong> 0.5 – 2 TOPS（AI 加速器）&lt;/li>
&lt;li>&lt;strong>热上限：&lt;/strong> &amp;lt; 70 °C（持续）&lt;/li>
&lt;/ul>
&lt;p>合成数据生成计算密集，尤其是扩散模型或 GAN。为保持在这些限制内，需要 &lt;strong>重塑生成流水线&lt;/strong>。&lt;/p>
&lt;hr>
&lt;h2 id="3-能源感知合成数据生成的核心原则">3. 能源感知合成数据生成的核心原则&lt;/h2>
&lt;ol>
&lt;li>&lt;strong>模型尺寸缩减&lt;/strong> – 剪枝、量化、蒸馏，以适配设备计算上限。&lt;/li>
&lt;li>&lt;strong>自适应计算调度&lt;/strong> – 根据电池状态和工作负载优先级动态限流生成。&lt;/li>
&lt;li>&lt;strong>设备端扩散的提前停止&lt;/strong> – 使用渐进去噪，但在达到质量阈值后即停止。&lt;/li>
&lt;li>&lt;strong>联邦协同&lt;/strong> – 共享轻量模型增量而非完整模型，降低通信能耗。&lt;/li>
&lt;li>&lt;strong>硬件加速内核&lt;/strong> – 在可用时利用 DSP、NPU 或专用扩散加速器。&lt;/li>
&lt;/ol>
&lt;hr>
&lt;h2 id="4-架构概览">4. 架构概览&lt;/h2>
&lt;pre class="mermaid">
 graph LR
 A[边缘设备] --&amp;gt; B[能源管理器]
 B --&amp;gt; C[自适应调度器]
 C --&amp;gt; D[压缩生成器]
 D --&amp;gt; E[提前停止扩散循环]
 E --&amp;gt; F[合成样本缓冲区]
 F --&amp;gt; G[联邦同步模块]
 G --&amp;gt; H[中心聚合器]
 H --&amp;gt; I[全局模型更新]
 I --&amp;gt; D
&lt;/pre>
&lt;ul>
&lt;li>&lt;strong>能源管理器&lt;/strong> 监控电池电压、温度和电流。&lt;/li>
&lt;li>&lt;strong>自适应调度器&lt;/strong> 根据平衡数据新鲜度与能耗的效用函数决定何时运行生成任务。&lt;/li>
&lt;li>&lt;strong>压缩生成器&lt;/strong> 为量化、剪枝后的扩散或 GAN 模型。&lt;/li>
&lt;li>&lt;strong>提前停止扩散循环&lt;/strong> 在感知质量指标（如 LPIPS）达到预设阈值后停止去噪。&lt;/li>
&lt;li>&lt;strong>联邦同步模块&lt;/strong> 将模型权重增量通过低功耗无线（BLE、LoRa）发送至中心聚合器。&lt;/li>
&lt;/ul>
&lt;hr>
&lt;h2 id="5-构建压缩生成器">5. 构建压缩生成器&lt;/h2>
&lt;h3 id="51-模型剪枝">5.1 模型剪枝&lt;/h3>
&lt;ul>
&lt;li>&lt;strong>结构化剪枝&lt;/strong> 通过移除整个通道或注意力头，保持硬件效率。&lt;/li>
&lt;li>&lt;strong>目标稀疏度&lt;/strong>：卷积骨干网络 40%–60%；Transformer 生成器 30%。&lt;/li>
&lt;/ul>
&lt;h3 id="52-量化">5.2 量化&lt;/h3>
&lt;ul>
&lt;li>&lt;strong>8 位整数（INT8）量化&lt;/strong> 是大多数 NPU 的最佳选择。&lt;/li>
&lt;li>对于超低功耗，&lt;strong>4 位量化&lt;/strong> 并进行混合精度微调，可在保持感知质量在 FP32 基准 5% 以内的情况下，降低约 30% 能耗。&lt;/li>
&lt;/ul>
&lt;h3 id="53-知识蒸馏">5.3 知识蒸馏&lt;/h3>
&lt;ul>
&lt;li>训练一个小型学生模型（例如 2 M 参数）来模仿更大的教师模型（例如 30 M 参数），使用像素级损失和特征级蒸馏的组合。&lt;/li>
&lt;li>学生模型成为设备端生成器，显著降低计算周期。&lt;/li>
&lt;/ul>
&lt;hr>
&lt;h2 id="6-能源感知扩散过程">6. 能源感知扩散过程&lt;/h2>
&lt;p>扩散模型传统上需要 100‑200 步去噪。为适配边缘约束：&lt;/p></description></item><item><title>基于因果图的合规合成数据生成</title><link>https://blog.formize.com/zh/causal-graph-synthetic-data-for-compliance/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/zh/causal-graph-synthetic-data-for-compliance/</guid><description>&lt;h1 id="基于因果图的合规合成数据生成">基于因果图的合规合成数据生成&lt;/h1>
&lt;h2 id="引言">引言&lt;/h2>
&lt;p>当真实数据稀缺、敏感或受到严格监管时，合成数据已成为训练 AI 模型的基石。传统的生成技术（GAN、扩散模型、基于大语言模型的模拟器）在模仿统计分布方面表现出色，却常常忽视监管机构日益要求保留的 &lt;strong>因果关系&lt;/strong>。&lt;/p>
&lt;p>欧盟的 &lt;strong>&lt;a href="https://digital-strategy.ec.europa.eu/en/policies/regulatory-framework-ai" target="_blank" rel="noreferrer nofollow">AI 法案&lt;/a>&lt;/strong>、美国用于医疗器械的 &lt;strong>FDA&lt;/strong>，以及针对消费者隐私的 &lt;strong>&lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>&lt;/strong>，都在推动数据流水线的 &lt;strong>可解释性&lt;/strong> 与 &lt;strong>可追溯性&lt;/strong>。仅仅再现边缘统计的合成数据可能通过表面审计，却在监管机构询问“能否证明合成记录遵循源人群的因果机制？”时失利。&lt;/p>
&lt;p>这就引出了 &lt;strong>基于因果图的合成数据生成&lt;/strong>（CG‑SDG）。通过显式建模原始数据的因果结构，我们可以生成满足以下要求的合成记录：&lt;/p>
&lt;ul>
&lt;li>保留法律相关的依赖关系（例如，年龄 → 健康结果，信用评分 → 贷款批准）。&lt;/li>
&lt;li>提供透明的审计链路，将每个合成特征追溯到因果节点。&lt;/li>
&lt;li>支持 &lt;strong>反事实分析&lt;/strong>，用于公平性与偏差缓解。&lt;/li>
&lt;li>随着法规演进，支持 &lt;strong>动态合规&lt;/strong>。&lt;/li>
&lt;/ul>
&lt;p>本文将带你了解 CG‑SDG 的理论、实践实现以及合规收益，重点阐述组织如何将其嵌入现有数据流水线和治理框架。&lt;/p>
&lt;hr>
&lt;h2 id="为什么因果图对合规至关重要">为什么因果图对合规至关重要&lt;/h2>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>监管关注点&lt;/th>
 &lt;th>传统合成数据&lt;/th>
 &lt;th>因果图方法&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>可解释性&lt;/strong>&lt;/td>
 &lt;td>黑箱生成，难以说明&lt;/td>
 &lt;td>每个合成特征来源于显式的因果方程&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>公平性审计&lt;/strong>&lt;/td>
 &lt;td>事后偏差检测，修复手段有限&lt;/td>
 &lt;td>通过反事实查询揭示受保护属性的影响&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>数据血缘&lt;/strong>&lt;/td>
 &lt;td>元数据有限，血缘追踪不足&lt;/td>
 &lt;td>图节点充当血缘锚点，实现不可变审计链&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>动态政策更新&lt;/strong>&lt;/td>
 &lt;td>规则变更需重新训练整个模型&lt;/td>
 &lt;td>仅更新受影响的因果边，保留其余流水线&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>通过将合成数据生成与编码领域知识的 &lt;strong>有向无环图（DAG）&lt;/strong> 对齐，组织获得了 &lt;strong>数据科学与合规团队的单一真实来源&lt;/strong>。&lt;/p>
&lt;hr>
&lt;h2 id="从源数据构建因果图">从源数据构建因果图&lt;/h2>
&lt;h3 id="1-领域知识捕获">1. 领域知识捕获&lt;/h3>
&lt;p>邀请主题专家（SME）列举变量并假设因果链接。以医疗场景为例，常见节点包括：&lt;/p>
&lt;ul>
&lt;li>人口统计（年龄、性别、种族）&lt;/li>
&lt;li>生活方式（吸烟、运动）&lt;/li>
&lt;li>临床测量（血压、胆固醇）&lt;/li>
&lt;li>结果（疾病诊断、住院）&lt;/li>
&lt;/ul>
&lt;h3 id="2-数据驱动结构学习">2. 数据驱动结构学习&lt;/h3>
&lt;p>将专家输入与 &lt;strong>PC、GES&lt;/strong> 或 &lt;strong>NOTEARS&lt;/strong> 等算法结合，发现额外的边。得到的图需 &lt;strong>对照医学文献&lt;/strong> 验证，以避免虚假关联。&lt;/p>
&lt;h3 id="3-参数化">3. 参数化&lt;/h3>
&lt;p>为每条边分配函数形式或条件概率表（CPT）。连续变量可使用线性或非线性回归模型；离散变量常用多项式逻辑回归。&lt;/p></description></item><item><title>量子就绪合成数据生成用于边缘 AI</title><link>https://blog.formize.com/zh/quantum-ready-synthetic-data-generation-for-edge-ai/</link><pubDate>Mon, 01 Jan 0001 00:00:00 +0000</pubDate><guid>https://blog.formize.com/zh/quantum-ready-synthetic-data-generation-for-edge-ai/</guid><description>&lt;h1 id="量子就绪合成数据生成用于边缘-ai">量子就绪合成数据生成用于边缘 AI&lt;/h1>
&lt;h2 id="引言">引言&lt;/h2>
&lt;p>边缘 AI 正在迅速从研究兴趣转向生产现实，使得从可穿戴设备到自主无人机的设备能够在本地运行推理，降低延迟并保护用户隐私。然而，在边缘上训练和微调模型仍然是一个重大障碍，因为真实数据往往稀缺、嘈杂或受到法律限制。合成数据提供了一个有吸引力的解决方案，但传统生成器依赖于伪随机数生成器（PRNG），这些生成器可能被逆向工程，暴露出隐私关键的模式。&lt;/p>
&lt;p>进入 &lt;strong>量子就绪合成数据生成&lt;/strong>：一种将真实量子随机性注入轻量级生成管道的范式，提供在统计上与真实数据不可区分且可证明不可预测的数据集。本文将阐述构建此类管道的原因、内容和方法，重点关注边缘环境的独特约束——计算能力有限、功耗预算受限以及连接间歇性。&lt;/p>
&lt;h2 id="1-为什么量子随机性对边缘合成数据重要">1. 为什么量子随机性对边缘合成数据重要&lt;/h2>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>关注点&lt;/th>
 &lt;th>传统 PRNG&lt;/th>
 &lt;th>量子随机性&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>可预测性&lt;/td>
 &lt;td>确定性种子 → 可复现序列&lt;/td>
 &lt;td>本质上非确定性，基于量子现象&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>熵源&lt;/td>
 &lt;td>算法产生，受种子大小限制&lt;/td>
 &lt;td>来自光子探测、电子自旋等的物理熵&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>攻击面&lt;/td>
 &lt;td>种子泄露 → 数据集重建&lt;/td>
 &lt;td>无可行种子，逆向工程几乎不可能&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>合规性&lt;/td>
 &lt;td>可能不满足严格的 &lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a> 或 &lt;a href="https://www.hhs.gov/hipaa/index.html" target="_blank" rel="noreferrer nofollow">HIPAA&lt;/a> 随机性要求&lt;/td>
 &lt;td>符合最高的密码学随机性标准&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>监管机构日益要求&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">隐私保护管道&lt;/a>使用&lt;strong>密码学强随机性&lt;/strong>。通过利用量子随机数生成器（QRNG），边缘设备可以在不依赖重量级密码模块的情况下满足这些标准。&lt;/p>
&lt;h2 id="2-核心架构组件">2. 核心架构组件&lt;/h2>
&lt;pre class="mermaid">
 flowchart TD
 A[&amp;#34;边缘设备&amp;#34;] --&amp;gt; B[&amp;#34;量子随机模块&amp;#34;]
 B --&amp;gt; C[&amp;#34;轻量级生成器核心&amp;#34;]
 C --&amp;gt; D[&amp;#34;合成数据存储&amp;#34;]
 D --&amp;gt; E[&amp;#34;设备端模型训练器&amp;#34;]
 E --&amp;gt; F[&amp;#34;推理引擎&amp;#34;]
 G[&amp;#34;云编排&amp;#34;] --&amp;gt;|Policy Updates| B
 G --&amp;gt;|Model Snapshots| E
 style B fill:#f9f,stroke:#333,stroke-width:2px
 style C fill:#bbf,stroke:#333,stroke-width:2px
 style D fill:#bfb,stroke:#333,stroke-width:2px
&lt;/pre>
&lt;ul>
&lt;li>&lt;strong>量子随机模块 (QRMM)&lt;/strong> – 基于硬件的 QRNG 或安全的云提供熵流，通过低延迟 API 抽象。&lt;/li>
&lt;li>&lt;strong>轻量级生成器核心 (LGC)&lt;/strong> – 为 ARM Cortex‑M 或 RISC‑V 核心优化的紧凑扩散或 GAN 变体，使用量子位作为种子材料。&lt;/li>
&lt;li>&lt;strong>合成数据存储 (SDS)&lt;/strong> – 设备端加密缓冲区，保存生成的样本以供即时使用。&lt;/li>
&lt;li>&lt;strong>设备端模型训练器 (ODMT)&lt;/strong> – 增量学习算法（例如兼容 TinyML 的 SGD），使用 SDS 数据且不离开设备。&lt;/li>
&lt;li>&lt;strong>推理引擎 (IE)&lt;/strong> – 最终模型服务层，在本地提供预测。&lt;/li>
&lt;/ul>
&lt;h2 id="3-为边缘选择量子熵源">3. 为边缘选择量子熵源&lt;/h2>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>来源&lt;/th>
 &lt;th>形态&lt;/th>
 &lt;th>延迟&lt;/th>
 &lt;th>功耗&lt;/th>
 &lt;th>集成复杂度&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>芯片内基于光子的 QRNG（例如 ID Quantique）&lt;/td>
 &lt;td>ASIC&lt;/td>
 &lt;td>&amp;lt; 1 ms&lt;/td>
 &lt;td>10 mW&lt;/td>
 &lt;td>需要定制硅&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>手机摄像头基于 QRNG（环境光）&lt;/td>
 &lt;td>软件&lt;/td>
 &lt;td>5–10 ms&lt;/td>
 &lt;td>5 mW&lt;/td>
 &lt;td>无额外硬件，熵较低&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>云提供的 QRNG（&lt;strong>NIST 认证&lt;/strong>）&lt;/td>
 &lt;td>网络 API&lt;/td>
 &lt;td>20–30 ms（Wi‑Fi）&lt;/td>
 &lt;td>可忽略&lt;/td>
 &lt;td>依赖连接性&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>混合（本地种子 + 定期云刷新）&lt;/td>
 &lt;td>混合&lt;/td>
 &lt;td>2–3 ms&lt;/td>
 &lt;td>2 mW&lt;/td>
 &lt;td>在安全性与可用性之间取得平衡&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>对于真正&lt;strong>离线&lt;/strong>的边缘场景，尽管前期成本更高，小型 ASIC QRNG 是理想选择。对于保持周期性连接的设备，混合方案可以在降低硬件开销的同时仍满足监管熵阈值。&lt;/p></description></item><item><title>在边缘使用同态加密和联邦学习实现实时隐私保护的合成数据生成</title><link>https://blog.formize.com/zh/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/zh/real-time-privacy-preserving-synthetic-data-generation-at-th/</guid><description>&lt;h1 id="在边缘使用同态加密和联邦学习实现实时隐私保护的合成数据生成">在边缘使用同态加密和联邦学习实现实时隐私保护的合成数据生成&lt;/h1>
&lt;h2 id="引言">引言&lt;/h2>
&lt;p>边缘 AI 正在从仅推理的工作负载转向 &lt;strong>以数据为中心&lt;/strong> 的流水线，这需要持续的模型更新、设备端训练以及合成数据生成。虽然合成数据可以显著降低昂贵的真实世界数据收集需求，但当源数据来自用户设备时，也会引发 &lt;strong>隐私&lt;/strong> 问题。传统的匿名化技术（掩码、差分隐私）要么降低数据效用，要么需要可信的中心权威——这两者在对延迟敏感的边缘场景中都不可取。&lt;/p>
&lt;p>一种 &lt;strong>新范式&lt;/strong> 将 &lt;strong>同态加密 (HE)&lt;/strong>、&lt;strong>联邦学习 (FL)&lt;/strong> 和 &lt;strong>零信任&lt;/strong> 控制相结合，在边缘实现 &lt;strong>实时&lt;/strong> 的高保真合成数据生成。本文将逐步阐述安全模型、架构组件以及构建此类流水线的实用实现步骤，同时讨论性能权衡和未来研究方向。&lt;/p>
&lt;h2 id="为什么边缘合成数据需要强隐私保障">为什么边缘合成数据需要强隐私保障&lt;/h2>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>挑战&lt;/th>
 &lt;th>传统方法&lt;/th>
 &lt;th>局限性&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>数据驻留&lt;/strong>&lt;/td>
 &lt;td>将原始数据上传至云端&lt;/td>
 &lt;td>违反法规（&lt;a href="https://gdpr.eu/" target="_blank" rel="noreferrer nofollow">GDPR&lt;/a>, &lt;a href="https://oag.ca.gov/privacy/ccpa" target="_blank" rel="noreferrer nofollow">CCPA&lt;/a>）&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>延迟&lt;/strong>&lt;/td>
 &lt;td>中心生成 → 往返&lt;/td>
 &lt;td>对实时推理不可接受&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>信任&lt;/strong>&lt;/td>
 &lt;td>中心权威验证数据&lt;/td>
 &lt;td>单点故障，内部风险&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>效用&lt;/strong>&lt;/td>
 &lt;td>大量差分隐私噪声&lt;/td>
 &lt;td>降低合成数据质量&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>边缘设备（物联网传感器、智能手机、自治无人机）产生 &lt;strong>高维、时效性强&lt;/strong> 的数据流（视频、音频、遥测）。为了保持模型的最新，需要 &lt;strong>本地&lt;/strong> 且 &lt;strong>即时&lt;/strong> 地生成合成数据。同时，原始数据绝不能以明文形式暴露给任何外部方，包括编排服务器。这正是 &lt;strong>同态加密&lt;/strong> 发挥作用的地方：它允许在加密数据上进行计算，确保整个流水线的机密性。&lt;/p>
&lt;h2 id="同态加密基础用于边缘-ai">同态加密基础（用于边缘 AI）&lt;/h2>
&lt;p>同态加密使得 &lt;strong>算术运算&lt;/strong>（加法、乘法）可以在密文上执行，且解密后的结果与对底层明文执行相同运算的结果一致。现代方案（CKKS、BFV、TFHE）支持：&lt;/p>
&lt;ul>
&lt;li>&lt;strong>打包密文&lt;/strong> – 将多个数据点编码到单个密文中，降低带宽消耗。&lt;/li>
&lt;li>&lt;strong>近似算术&lt;/strong> – 适用于神经网络推理和生成模型。&lt;/li>
&lt;li>&lt;strong>自举（Bootstrapping）&lt;/strong> – 刷新密文噪声，扩展计算深度。&lt;/li>
&lt;/ul>
&lt;p>对于边缘合成数据生成，我们通常需要：&lt;/p>
&lt;ol>
&lt;li>&lt;strong>加密特征提取&lt;/strong> – 在不解密的情况下从原始传感器数据计算嵌入。&lt;/li>
&lt;li>&lt;strong>加密模型推理&lt;/strong> – 对加密嵌入运行生成模型（例如 VAE、扩散模型）。&lt;/li>
&lt;li>&lt;strong>加密采样&lt;/strong> – 在保持加密状态下抽取合成样本，然后可选择在本地解密用于下游使用。&lt;/li>
&lt;/ol>
&lt;h3 id="选择合适的方案">选择合适的方案&lt;/h3>
&lt;table>
 &lt;thead>
 &lt;tr>
 &lt;th>方案&lt;/th>
 &lt;th>优势&lt;/th>
 &lt;th>劣势&lt;/th>
 &lt;/tr>
 &lt;/thead>
 &lt;tbody>
 &lt;tr>
 &lt;td>&lt;strong>CKKS&lt;/strong>&lt;/td>
 &lt;td>近似算术，适用于浮点运算&lt;/td>
 &lt;td>对精确整数运算支持有限&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>BFV&lt;/strong>&lt;/td>
 &lt;td>精确整数算术，适合量化模型&lt;/td>
 &lt;td>密文尺寸较大&lt;/td>
 &lt;/tr>
 &lt;tr>
 &lt;td>&lt;strong>TFHE&lt;/strong>&lt;/td>
 &lt;td>位操作，快速自举&lt;/td>
 &lt;td>对大张量的延迟较高&lt;/td>
 &lt;/tr>
 &lt;/tbody>
&lt;/table>
&lt;p>大多数边缘流水线倾向于使用 &lt;strong>CKKS&lt;/strong>，因为生成模型依赖浮点运算，而在隐私收益的权衡下，轻微的近似误差是可以接受的。&lt;/p></description></item></channel></rss>