論文の概要: Operationalizing the Legal Principle of Data Minimization for
Personalization
- arxiv url: http://arxiv.org/abs/2005.13718v1
- Date: Thu, 28 May 2020 00:43:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-27 06:04:32.817214
- Title: Operationalizing the Legal Principle of Data Minimization for
Personalization
- Title(参考訳): パーソナライズのためのデータ最小化法則の運用
- Authors: Asia J. Biega, Peter Potash, Hal Daum\'e III, Fernando Diaz, Mich\`ele
Finck
- Abstract要約: データ最小化原理の同質な解釈が欠如していることを認識し、パーソナライゼーションの文脈に適用可能な2つの運用定義を探索する。
データ最小化によるパフォーマンス低下はそれほど大きくないかもしれないが、異なるユーザに影響を与える可能性がある。
- 参考スコア(独自算出の注目度): 64.0027026050706
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Article 5(1)(c) of the European Union's General Data Protection Regulation
(GDPR) requires that "personal data shall be [...] adequate, relevant, and
limited to what is necessary in relation to the purposes for which they are
processed (`data minimisation')". To date, the legal and computational
definitions of `purpose limitation' and `data minimization' remain largely
unclear. In particular, the interpretation of these principles is an open issue
for information access systems that optimize for user experience through
personalization and do not strictly require personal data collection for the
delivery of basic service.
In this paper, we identify a lack of a homogeneous interpretation of the data
minimization principle and explore two operational definitions applicable in
the context of personalization. The focus of our empirical study in the domain
of recommender systems is on providing foundational insights about the (i)
feasibility of different data minimization definitions, (ii) robustness of
different recommendation algorithms to minimization, and (iii) performance of
different minimization strategies.We find that the performance decrease
incurred by data minimization might not be substantial, but that it might
disparately impact different users---a finding which has implications for the
viability of different formal minimization definitions. Overall, our analysis
uncovers the complexities of the data minimization problem in the context of
personalization and maps the remaining computational and regulatory challenges.
- Abstract(参考訳): 欧州連合(EU)の一般データ保護規則(GDPR)第5条(1)(c)は、「個人データは、(...)適切で、関係があり、それらが処理される目的(「データ最小化」)に関連するものに限定される」ことを要求している。
現在まで「目的制限」と「データ最小化」の法的および計算的定義はほとんど不明である。
特に、これらの原則の解釈は、ユーザエクスペリエンスをパーソナライズすることで最適化し、基本サービスの配信に個人データ収集を厳密に必要としない情報アクセスシステムにとって、オープンな問題である。
本稿では,データ最小化原理の同種解釈の欠如を特定し,パーソナライゼーションの文脈に適用可能な2つの操作定義を探索する。
レコメンダシステム領域における経験的研究の焦点は、その基礎的な洞察を提供することです。
(i)異なるデータ最小化定義の実現可能性
(二)最小化のための異なる推薦アルゴリズムの堅牢性及び
(iii) 異なる最小化戦略の性能は、データ最小化によって生じる性能低下は、実質的なものではないが、異なるユーザに影響を与える可能性があること、すなわち、異なる形式的最小化定義の存続可能性に影響を及ぼすこと。
全体としては、パーソナライゼーションの文脈におけるデータ最小化問題の複雑さを明らかにし、残りの計算および規制上の課題をマップする。
関連論文リスト
- The trade-off between data minimization and fairness in collaborative filtering [1.8936798735951967]
一般データ保護規則は、個人個人の個人情報を害から保護することを目的としている。
完全なコンプライアンスはEUでは必須だが、他の地域では必須ではない。
本稿では,データ最小化の原理とレコメンダシステムにおける公平性の関係について検討する。
論文 参考訳(メタデータ) (2024-09-21T02:32:26Z) - The Data Minimization Principle in Machine Learning [61.17813282782266]
データ最小化は、収集、処理、保持されるデータの量を減らすことを目的としている。
様々な国際データ保護規制によって支持されている。
しかし、厳密な定式化が欠如しているため、その実践的な実装は依然として課題である。
論文 参考訳(メタデータ) (2024-05-29T19:40:27Z) - Private Set Generation with Discriminative Information [63.851085173614]
異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。
既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。
我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
論文 参考訳(メタデータ) (2022-11-07T10:02:55Z) - Quantization for decentralized learning under subspace constraints [61.59416703323886]
エージェントがサブスペース制約を最小化するために個々のコスト関数を持つ分散最適化問題を考察する。
本稿では,エージェントが確率化量子化器を用いて推定値を圧縮する適応分散型戦略を提案し,検討する。
この分析は、量子化ノイズのいくつかの一般的な条件下では、平均二乗誤差と平均ビットレートの両方で戦略が安定であることを示している。
論文 参考訳(メタデータ) (2022-09-16T09:38:38Z) - Pessimistic Minimax Value Iteration: Provably Efficient Equilibrium
Learning from Offline Datasets [101.5329678997916]
両プレイヤーゼロサムマルコフゲーム(MG)をオフライン環境で研究する。
目標は、事前収集されたデータセットに基づいて、近似的なナッシュ均衡(NE)ポリシーペアを見つけることである。
論文 参考訳(メタデータ) (2022-02-15T15:39:30Z) - Learning to Limit Data Collection via Scaling Laws: Data Minimization
Compliance in Practice [62.44110411199835]
我々は機械学習法における文献に基づいて、データとシステム性能を結びつけるデータ解釈に基づく収集を制限するフレームワークを提案する。
我々は、性能曲線微分に基づくデータ最小化基準を定式化し、有効かつ解釈可能な分数法法技術を提供する。
論文 参考訳(メタデータ) (2021-07-16T19:59:01Z) - Reviving Purpose Limitation and Data Minimisation in Personalisation,
Profiling and Decision-Making Systems [0.0]
本論文では、学際法則とコンピュータサイエンスレンズを通じて、データ駆動システムにおいてデータ最小化と目的制限を有意義に実装できるかどうかを決定する。
分析の結果,この2つの法原則が個人データ処理のリスク軽減に重要な役割を担っていることが明らかとなった。
これらの原則は検討中のシステムにおいて重要なセーフガードであるが、実用的な実装には重要な制限がある。
論文 参考訳(メタデータ) (2021-01-15T16:36:29Z) - Differentially Private Simple Linear Regression [2.614403183902121]
差分プライバシーを満たす単純な線形回帰のアルゴリズムについて検討する。
小データセットに対する単純な線形回帰のための微分プライベートアルゴリズムの設計を考察する。
設定に適応するアルゴリズムのスペクトルの性能について検討する。
論文 参考訳(メタデータ) (2020-07-10T04:28:43Z)
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。