論文の概要: A Comparative Study of Sequence Classification Models for Privacy Policy Coverage Analysis

• arxiv url: http://arxiv.org/abs/2003.04972v1
• Date: Wed, 12 Feb 2020 21:46:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-01 18:44:41.983207
• Title: A Comparative Study of Sequence Classification Models for Privacy Policy Coverage Analysis
• Title（参考訳）: プライバシーポリシーカバレッジ分析のためのシーケンス分類モデルの比較検討
• Authors: Zachary Lindner
• Abstract要約: プライバシーポリシーは、ウェブサイトがユーザーのデータを収集、使用、配布する方法を記述する法的文書である。 私たちのソリューションは、さまざまな古典的な機械学習とディープラーニング技術を使用して、Webサイトのプライバシポリシのカバレッジ分析をユーザに提供することです。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Privacy policies are legal documents that describe how a website will collect, use, and distribute a user's data. Unfortunately, such documents are often overly complicated and filled with legal jargon; making it difficult for users to fully grasp what exactly is being collected and why. Our solution to this problem is to provide users with a coverage analysis of a given website's privacy policy using a wide range of classical machine learning and deep learning techniques. Given a website's privacy policy, the classifier identifies the associated data practice for each logical segment. These data practices/labels are taken directly from the OPP-115 corpus. For example, the data practice "Data Retention" refers to how long a website stores a user's information. The coverage analysis allows users to determine how many of the ten possible data practices are covered, along with identifying the sections that correspond to the data practices of particular interest.
• Abstract（参考訳）: プライバシーポリシーは、ウェブサイトがユーザーのデータを収集、使用、配布する方法を記述する法的文書である。 残念なことに、このような文書は複雑すぎ、法的な用語で満たされていることが多いため、ユーザが正確に何が収集されているのか、なぜなのかを十分に理解することは困難である。 この問題に対する当社のソリューションは、さまざまな古典的な機械学習とディープラーニング技術を使用して、Webサイトのプライバシポリシのカバレッジ分析をユーザに提供することです。 ウェブサイトのプライバシーポリシーが与えられたら、分類器は論理セグメントごとに関連するデータプラクティスを特定する。 これらのデータプラクティス/ラベルは、OPP-115コーパスから直接取得される。 例えば、データ・プラクティスの"データ・リテンション"は、ウェブサイトがユーザーの情報をいつまで保存するかを示す。 カバレッジ分析により、ユーザーは特定の関心のあるデータプラクティスに対応するセクションを識別し、可能なデータプラクティスの10つのうち何つがカバーされているかを決定することができる。

関連論文リスト

• Entailment-Driven Privacy Policy Classification with LLMs [3.564208334473993]
  本稿では,プライバシーポリシーの段落をユーザが容易に理解できる意味のあるラベルに分類する枠組みを提案する。 私たちのフレームワークは、F1スコアを平均11.2%改善します。
  論文  参考訳（メタデータ） (2024-09-25T05:07:05Z)
• Towards Split Learning-based Privacy-Preserving Record Linkage [49.1574468325115]
  ユーザデータのプライバシが要求されるアプリケーションを容易にするために、Split Learningが導入されている。 本稿では,プライバシ保護記録マッチングのための分割学習の可能性について検討する。
  論文  参考訳（メタデータ） (2024-09-02T09:17:05Z)
• Understanding Privacy Norms through Web Forms [5.972457400484541]
  11,500の人気のあるWebサイト上で、Webフォームを見つけるための特殊なクローラーを構築します。 11,500のWebサイトで運用し、293KのWebフォームのデータセットを作成します。 注釈付きデータセットを解析することにより、データ収集プラクティスの一般的なパターンを明らかにする。
  論文  参考訳（メタデータ） (2024-08-29T07:11:09Z)
• Collection, usage and privacy of mobility data in the enterprise and public administrations [55.2480439325792]
  個人のプライバシーを守るためには、匿名化などのセキュリティ対策が必要である。 本研究では,現場における実践の洞察を得るために,専門家によるインタビューを行った。 我々は、一般的には最先端の差分プライバシー基準に準拠しない、使用中のプライバシー強化手法を調査した。
  論文  参考訳（メタデータ） (2024-07-04T08:29:27Z)
• Automated Detection and Analysis of Data Practices Using A Real-World Corpus [20.4572759138767]
  プライバシポリシ内のデータプラクティスを,さまざまなレベルで詳細に識別し視覚化するための,自動アプローチを提案する。 提案手法は,データ実践記述とポリシー記述とを正確にマッチングし,ユーザへの簡易なプライバシ情報の提示を容易にする。
  論文  参考訳（メタデータ） (2024-02-16T18:51:40Z)
• PrivacyMind: Large Language Models Can Be Contextual Privacy Protection Learners [81.571305826793]
  コンテキストプライバシ保護言語モデル(PrivacyMind)を紹介する。 我々の研究はモデル設計に関する理論的分析を提供し、様々な手法をベンチマークする。 特に、肯定的な例と否定的な例の両方による命令チューニングは、有望な方法である。
  論文  参考訳（メタデータ） (2023-10-03T22:37:01Z)
• PolicyGPT: Automated Analysis of Privacy Policies with Large Language Models [41.969546784168905]
  実際に使う場合、ユーザーは慎重に読むのではなく、Agreeボタンを直接クリックする傾向がある。 このプラクティスは、プライバシーの漏洩や法的問題のリスクにユーザをさらけ出す。 近年,ChatGPT や GPT-4 などの大規模言語モデル (LLM) が出現し,テキスト解析の新たな可能性が高まっている。
  論文  参考訳（メタデータ） (2023-09-19T01:22:42Z)
• Protecting User Privacy in Online Settings via Supervised Learning [69.38374877559423]
  我々は、教師付き学習を活用する、オンラインプライバシ保護に対するインテリジェントなアプローチを設計する。 ユーザのプライバシを侵害する可能性のあるデータ収集を検出してブロックすることにより、ユーザに対してある程度のディジタルプライバシを復元することが可能になります。
  論文  参考訳（メタデータ） (2023-04-06T05:20:16Z)
• Intent Classification and Slot Filling for Privacy Policies [34.606121042708864]
  PolicyIEは、ウェブサイトとモバイルアプリケーションの31のプライバシーポリシーにまたがる5,250の意図と11,788のスロットアノテーションからなるコーパスです。 本研究は,(1)連関タギングとして意図分類とスロット充填を定式化し,(2)シーケンス・ツー・シーケンス学習タスクとしてモデル化する,2つのニューラルネットワークアプローチをベースラインとして提案する。
  論文  参考訳（メタデータ） (2021-01-01T00:44:41Z)
• PolicyQA: A Reading Comprehension Dataset for Privacy Policies [77.79102359580702]
  既存のWebサイトプライバシポリシ115のコーパスから算出した,25,017の理解スタイルの例を含むデータセットであるPolicyQAを提案する。 既存の2つのニューラルQAモデルを評価し、厳密な分析を行い、ポリシQAが提供する利点と課題を明らかにする。
  論文  参考訳（メタデータ） (2020-10-06T09:04:58Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。