論文の概要: Dr.Aid: Supporting Data-governance Rule Compliance for Decentralized Collaboration in an Automated Way

• arxiv url: http://arxiv.org/abs/2110.01056v1
• Date: Sun, 3 Oct 2021 17:59:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-05 15:22:29.562647
• Title: Dr.Aid: Supporting Data-governance Rule Compliance for Decentralized Collaboration in an Automated Way
• Title（参考訳）: dr.aid: 分散コラボレーションのためのデータガバナンスルールコンプライアンスを自動化したサポート
• Authors: Rui Zhao, Malcolm Atkinson, Petros Papapanagiotou, Federica Magnoni, Jacques Fleuriot
• Abstract要約: Dr.Aidは、個人、組織、フェデレーションがデータルールに従うのを支援するフレームワークである。 形式言語を使ってデータガバナンスルールをエンコードし、データフローグラフの推論を実行する。 我々は,様々な分野から実生活データ利用ポリシーを符号化することで,そのモデルを3つの側面で評価する。
• 参考スコア（独自算出の注目度）: 7.744664716152106
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaboration across institutional boundaries is widespread and increasing today. It depends on federations sharing data that often have governance rules or external regulations restricting their use. However, the handling of data governance rules (aka. data-use policies) remains manual, time-consuming and error-prone, limiting the rate at which collaborations can form and respond to challenges and opportunities, inhibiting citizen science and reducing data providers' trust in compliance. Using an automated system to facilitate compliance handling reduces substantially the time needed for such non-mission work, thereby accelerating collaboration and improving productivity. We present a framework, Dr.Aid, that helps individuals, organisations and federations comply with data rules, using automation to track which rules are applicable as data is passed between processes and as derived data is generated. It encodes data-governance rules using a formal language and performs reasoning on multi-input-multi-output data-flow graphs in decentralised contexts. We test its power and utility by working with users performing cyclone tracking and earthquake modelling to support mitigation and emergency response. We query standard provenance traces to detach Dr.Aid from details of the tools and systems they are using, as these inevitably vary across members of a federation and through time. We evaluate the model in three aspects by encoding real-life data-use policies from diverse fields, showing its capability for real-world usage and its advantages compared with traditional frameworks. We argue that this approach will lead to more agile, more productive and more trustworthy collaborations and show that the approach can be adopted incrementally. This, in-turn, will allow more appropriate data policies to emerge opening up new forms of collaboration.
• Abstract（参考訳）: 制度的な境界を越えての協力が広まりつつある。 しばしばガバナンスルールを持つデータを共有するフェデレーションや、使用を制限する外部規制に依存します。 しかし、データガバナンスルール(別名、データ利用ポリシー)の扱いは、手動、時間的、エラーを起こし、コラボレーションが課題や機会に対処し、市民科学を阻害し、データプロバイダのコンプライアンスに対する信頼を低下させる速度を制限する。 コンプライアンス処理を容易にする自動化システムを使用することで、このような非ミッション作業に必要な時間を大幅に削減し、コラボレーションの加速と生産性の向上を実現します。 我々は、個人、組織、フェデレーションがデータ規則に準拠するのを助けるフレームワークであるDr.Aidを提案し、プロセス間でデータが渡され、派生データが発生するにつれて、どのルールが適用可能かを自動化を用いて追跡する。 形式言語を使ってデータガバランスルールをエンコードし、分散されたコンテキストでマルチ入出力データフローグラフ上で推論を行う。 我々は,サイクロン追跡と地震モデルのユーザと連携して,緩和と緊急対応を支援することで,その電力と実用性をテストする。 我々は、彼らが使用しているツールやシステムの詳細からDr.Aidを分離するために、標準成果トレースを問い合わせる。 多様な分野からの実生活データ利用ポリシーをエンコードすることで,3つの側面からモデルを評価し,実世界の利用能力と従来のフレームワークと比較して利点を示す。 このアプローチは、よりアジャイルで、より生産的で、より信頼に値するコラボレーションにつながり、このアプローチを段階的に採用できることを示しています。 これにより、より適切なデータポリシーが新しい形のコラボレーションを開放できるようになる。

関連論文リスト

• Federated Causal Discovery from Heterogeneous Data [70.31070224690399]
  任意の因果モデルと異種データに対応する新しいFCD法を提案する。 これらのアプローチには、データのプライバシを保護するために、生データのプロキシとして要約統計を構築することが含まれる。 提案手法の有効性を示すために, 合成および実データを用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2024-02-20T18:53:53Z)
• Robot Fleet Learning via Policy Merging [58.5086287737653]
  我々はFLEET-MERGEを提案し、艦隊設定における政策を効率的にマージする。 本稿では,FLEET-MERGEがメタワールド環境における50のタスクで訓練されたポリシーの行動を統合することを示す。 合成・接触に富んだロボット操作タスクにおけるフリートポリシー学習のための新しいロボットツール用ベンチマークであるFLEET-TOOLSを導入する。
  論文  参考訳（メタデータ） (2023-10-02T17:23:51Z)
• DBFed: Debiasing Federated Learning Framework based on Domain-Independent [15.639705798326213]
  本稿では,ドメイン非依存に基づくデバイアス学習フレームワークを提案する。これは,クライアント側トレーニング中に機密属性を明示的に符号化することで,モデルバイアスを緩和する。 本稿では,3つの実データセットについて実験を行い,精度と公平性の5つの評価指標を用いてモデルの効果を定量的に評価する。
  論文  参考訳（メタデータ） (2023-07-10T14:39:57Z)
• Knowledge Transfer from Teachers to Learners in Growing-Batch Reinforcement Learning [8.665235113831685]
  現実世界のドメインにおける制御ポリシーは、通常、以前にログされたデータからオフラインまたは成長バッチ形式でトレーニングされる。 この設定では、固定されたポリシーが環境にデプロイされ、過去のバッチに集約される前に新しいデータのバッチ全体を収集し、ポリシーを更新するために使用される。 このようなサイクルの限られた数は、現実世界のドメインでは実現可能であるが、結果として得られるデータの質と多様性は、標準の継続的な相互作用アプローチよりもはるかに低い。
  論文  参考訳（メタデータ） (2023-05-05T22:55:34Z)
• Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
  本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。 FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。 この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
  論文  参考訳（メタデータ） (2023-03-31T10:13:01Z)
• Combating Exacerbated Heterogeneity for Robust Models in Federated Learning [91.88122934924435]
  対人訓練と連合学習の組み合わせは、望ましくない頑丈さの劣化につながる可能性がある。 我々は、Slack Federated Adversarial Training (SFAT)と呼ばれる新しいフレームワークを提案する。 各種ベンチマークおよび実世界のデータセットに対するSFATの合理性と有効性を検証する。
  論文  参考訳（メタデータ） (2023-03-01T06:16:15Z)
• Federated Anomaly Detection over Distributed Data Streams [0.0]
  本稿では,異常検出,フェデレート学習,データストリーム間のブリッジ構築手法を提案する。 作業の包括的な目標は、分散データストリーム上でのフェデレーション環境での異常を検出することだ。
  論文  参考訳（メタデータ） (2022-05-16T17:38:58Z)
• 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)
• An Automated Framework for Supporting Data-Governance Rule Compliance in Decentralized MIMO Contexts [10.62414957574478]
  Dr.Aidは、データフローグラフ上のデータガバナンスルールの自動コンプライアンスチェックのためのロジックベースのAIフレームワークである。 Dr.Aidはデータ・ルールとフロー・ルールをモデル化し、データ・フロー・グラフ上でのデータ・ルールの伝播、組み合わせ、修正、適用について推論してコンプライアンスをチェックする。
  論文  参考訳（メタデータ） (2021-09-02T10:53:03Z)
• Representative & Fair Synthetic Data [68.8204255655161]
  公平性制約を自己監督学習プロセスに組み込むためのフレームワークを提示する。 私たちはuci成人国勢調査データセットの代表者および公正版を作成します。 我々は、代表的かつ公正な合成データを将来有望なビルディングブロックとみなし、歴史的世界ではなく、私たちが生きようとしている世界についてアルゴリズムを教える。
  論文  参考訳（メタデータ） (2021-04-07T09:19:46Z)
• Learning Connectivity for Data Distribution in Robot Teams [96.39864514115136]
  グラフニューラルネットワーク(GNN)を用いたアドホックネットワークにおけるデータ分散のためのタスク非依存,分散化,低レイテンシ手法を提案する。 当社のアプローチは、グローバル状態情報に基づいたマルチエージェントアルゴリズムを各ロボットで利用可能にすることで機能させます。 我々は,情報の平均年齢を報酬関数として強化学習を通じて分散gnn通信政策を訓練し,タスク固有の報酬関数と比較してトレーニング安定性が向上することを示す。
  論文  参考訳（メタデータ） (2021-03-08T21:48:55Z)

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。