論文の概要: Privacy and Data Balkanization: Circumventing the Barriers

• arxiv url: http://arxiv.org/abs/2010.03672v2
• Date: Fri, 3 Sep 2021 17:52:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-29 17:37:42.804831
• Title: Privacy and Data Balkanization: Circumventing the Barriers
• Title（参考訳）: プライバシーとデータのバルカン化: 障壁を回避する
• Authors: Bernardo A. Huberman and Tad Hogg
• Abstract要約: プライバシの懸念と法則は、異なるデータセットを共有したり、組み合わせたりする際の大きなオーバーヘッドにつながっています。 統合データの利点がまだ明確でない新しいアプリケーションでは、このオーバーヘッドは組織がデータの共有から相互に利益を得られるかどうかを判断することさえ妨げます。 我々は、データ共有のメリットがあるかどうか、許容価格を交渉する余地があるかどうかを判断するために、プライベート情報転送を利用することで、この難しさを克服する手法について議論する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth in digital data forms the basis for a wide range of new services and research, e.g, large-scale medical studies. At the same time, increasingly restrictive privacy concerns and laws are leading to significant overhead in arranging for sharing or combining different data sets to obtain these benefits. For new applications, where the benefit of combined data is not yet clear, this overhead can inhibit organizations from even trying to determine whether they can mutually benefit from sharing their data. In this paper, we discuss techniques to overcome this difficulty by employing private information transfer to determine whether there is a benefit from sharing data, and whether there is room to negotiate acceptable prices. These techniques involve cryptographic protocols. While currently considered secure, these protocols are potentially vulnerable to the development of quantum technology, particularly for ensuring privacy over significant periods of time into the future. To mitigate this concern, we describe how developments in practical quantum technology can improve the security of these protocols.
• Abstract（参考訳）: デジタルデータの急速な成長は、大規模な医学研究など、幅広い新しいサービスや研究の基礎を形成している。 同時に、ますます制限的なプライバシーの懸念と法律が、これらの利益を得るために異なるデータセットの共有や結合のために大きなオーバーヘッドを生んでいる。 統合データの利点がまだ明確でない新しいアプリケーションでは、このオーバーヘッドは組織がデータの共有から相互に利益を得られるかどうかを判断することさえ妨げます。 本稿では,情報共有のメリットがあるか判断するためにプライベート情報転送を用い,許容できる価格交渉の余地があるかを検討することで,この課題を克服する手法について検討する。 これらの技術は暗号プロトコルを含む。 現在安全とされているが、これらのプロトコルは量子技術の発展、特に将来のかなりの期間にわたってプライバシーを確保するために潜在的に脆弱である。 この懸念を軽減するため、実用的な量子技術の発展がこれらのプロトコルのセキュリティをいかに改善するかを述べる。

関連論文リスト

• A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
  プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。 これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。 差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
  論文  参考訳（メタデータ） (2023-09-27T14:38:16Z)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)
• Privacy-Preserving Joint Edge Association and Power Optimization for the Internet of Vehicles via Federated Multi-Agent Reinforcement Learning [74.53077322713548]
  プライバシ保護型共同エッジアソシエーションと電力配分問題について検討する。 提案されたソリューションは、最先端のソリューションよりも高いプライバシレベルを維持しながら、魅力的なトレードオフにぶつかる。
  論文  参考訳（メタデータ） (2023-01-26T10:09:23Z)
• Orchestrating Collaborative Cybersecurity: A Secure Framework for Distributed Privacy-Preserving Threat Intelligence Sharing [7.977316321387031]
  サイバー脅威インテリジェンス(CTI)の共有は、攻撃者と防御者の間の情報非対称性を減らす重要な活動である。 現在の文献では、すべての情報を含む集中型データベースへのアクセスを前提としているが、これは必ずしも実現可能であるとは限らない。 本稿では,インシデントや脆弱性,妥協の指標に関する分散データからCTIを抽出する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-09-06T17:44:20Z)
• Distributed Machine Learning and the Semblance of Trust [66.1227776348216]
  フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。 FLと関連する技術は、しばしばプライバシー保護と表現される。 この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
  論文  参考訳（メタデータ） (2021-12-21T08:44:05Z)
• Revolutionizing Medical Data Sharing Using Advanced Privacy Enhancing Technologies: Technical, Legal and Ethical Synthesis [5.6324529994086845]
  準同型暗号化とセキュアなマルチパーティ計算(マルチパーティ同型暗号化、MHE) PETはプライバシーを数学的に保証し、MHEはHEやSMCを別々に使用するよりも性能上の優位性を提供する。 MHEは、機関間の契約のカスタマイズによる依存度を下げる方法について説明する。
  論文  参考訳（メタデータ） (2020-10-27T17:03:28Z)
• Learning With Differential Privacy [3.618133010429131]
  異なるプライバシーは、漏洩に対する適切な保護を約束して救助にやってくる。 データの収集時にランダムな応答技術を使用し、より優れたユーティリティで強力なプライバシを保証します。
  論文  参考訳（メタデータ） (2020-06-10T02:04:13Z)
• Secure Sum Outperforms Homomorphic Encryption in (Current) Collaborative Deep Learning [7.690774882108066]
  我々は、異なるデータ所有者のジョイントデータに基づいてニューラルネットワークをトレーニングする方法について議論し、各パーティの入力を秘密にしている。 より複雑で計算コストの低いセキュア和プロトコルは、共謀耐性と実行性の両方において優れた特性を示すことを示す。
  論文  参考訳（メタデータ） (2020-06-02T23:03:32Z)
• A vision for global privacy bridges: Technical and legal measures for international data markets [77.34726150561087]
  データ保護法とプライバシーの権利が認められているにもかかわらず、個人情報の取引は「トレーディング・オイル」と同等のビジネスになっている。 オープンな対立は、データに対するビジネスの要求とプライバシーへの欲求の間に生じている。 プライバシを備えたパーソナル情報市場のビジョンを提案し,テストする。
  論文  参考訳（メタデータ） (2020-05-13T13:55:50Z)
• Beyond privacy regulations: an ethical approach to data usage in transportation [64.86110095869176]
  本稿では,フェデレート機械学習を交通分野に適用する方法について述べる。 フェデレートラーニングは、ユーザのプライバシを尊重しつつ、プライバシに敏感なデータを処理可能にする方法だと考えています。
  論文  参考訳（メタデータ） (2020-04-01T15:10:12Z)

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。