論文の概要: From Data Leverage to Data Co-Ops: An Institutional Model for User
Control over Information Access
- arxiv url: http://arxiv.org/abs/2201.10677v1
- Date: Tue, 25 Jan 2022 23:50:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 14:29:27.483175
- Title: From Data Leverage to Data Co-Ops: An Institutional Model for User
Control over Information Access
- Title（参考訳）: データレバレッジからデータコ運用へ:情報アクセスにおけるユーザ制御のための制度モデル
- Authors: Caleb Malchik and Joan Feigenbaum
- Abstract要約: 本稿では,ユーザの興味を表わす機関として,データ共有を提案する。
我々は、信頼できない資源評価のためのプラットフォームを含む、データの協調の可能な1つのインスタンス化を提示する。
また、PURESearchは、データの共同作業やその他のソースが提供するラベルに従って検索結果を再ランクするクライアントプログラムである。
- 参考スコア（独自算出の注目度）: 0.15229257192293197
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Internet companies derive value from users by recording and influencing their
behavior. Users can pressure companies to refrain from certain invasive and
manipulative practices by selectively withdrawing their attention, an exercise
of data leverage as formulated by Vincent et al. Ligett and Nissim's proposal
for an institution representing the interests of users, the data co-op, offers
a means of coordinating this action. We present one possible instantiation of
the data co-op, including the Platform for Untrusted Resource Evaluation
(PURE), a system for assigning labels provided by untrusted and semi-trusted
parties to Internet resources. We also describe PURESearch, a client program
that re-ranks search results according to labels provided by data co-ops and
other sources.
- Abstract（参考訳）: インターネット企業は、自分の行動を記録し、影響を与えることによって、ユーザーから価値を導き出す。
ユーザは、Vincentらによって策定されたデータレバレッジのエクササイズである、選択的に注意を引いて、企業に対して、侵入的かつ操作的なプラクティスを控えるよう圧力をかけることができる。
Ligett と Nissim が提案した,ユーザの利益を表す機関である Data co-op は,この行動をコーディネートする手段を提供する。
我々は,信頼できない,半信頼な当事者が提供したラベルをインターネットリソースに割り当てるシステムであるPlatform for Untrusted Resource Evaluation (PURE)を含む,データの共同作業の1つの可能性を示す。
また、PURESearchは、データの共同作業やその他のソースが提供するラベルに従って検索結果を再ランクするクライアントプログラムである。
関連論文リスト
- On the Compliance of Self-Sovereign Identity with GDPR Principles: A Critical Review [0.0]
IdMモデルとしてSSI(Self-Sovereign Identity)が導入され、データ漏洩の可能性を低減した。
SSIは分散IDMであり、データ所有者はデジタルウォレットに格納された個人情報を主権的に制御する。
本稿ではIdMの進化と最新のSSIフレームワークのレビューを行う。
論文 参考訳（メタデータ） (2024-09-05T15:35:53Z) - CaPS: Collaborative and Private Synthetic Data Generation from Distributed Sources [5.898893619901382]
分散データホルダから合成データの協調的かつプライベートな生成のためのフレームワークを提案する。
我々は信頼されたアグリゲータをセキュアなマルチパーティ計算プロトコルに置き換え、差分プライバシー(DP)を介してプライバシを出力する。
MWEM+PGMおよびAIMの最先端選択測度生成アルゴリズムに対するアプローチの適用性とスケーラビリティを実証する。
論文 参考訳（メタデータ） (2024-02-13T17:26:32Z) - Privacy-Preserving Data Fusion for Traffic State Estimation: A Vertical
Federated Learning Approach [3.109306676759862]
交通状態推定(TSE)のためのプライバシ保護データ融合法を提案する。
複数のデータオーナ間のコラボレーションやデータ共有で発生するデータプライバシの懸念に,私たちは明確に対処しています。
論文 参考訳（メタデータ） (2024-01-22T10:52:22Z) - Personalized Federated Learning with Attention-based Client Selection [57.71009302168411]
我々は,意図に基づくクライアント選択機構を備えた新しいPFLアルゴリズムであるFedACSを提案する。
FedACSは、類似したデータ分散を持つクライアント間のコラボレーションを強化するためのアテンションメカニズムを統合している。
CIFAR10とFMNISTの実験は、FedACSの優位性を検証する。
論文 参考訳（メタデータ） (2023-12-23T03:31:46Z) - Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。
次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。
提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2023-11-22T22:15:17Z) - Privacy-Engineered Value Decomposition Networks for Cooperative
Multi-Agent Reinforcement Learning [19.504842607744457]
協力的マルチエージェント強化学習では、エージェントのチームは、指定されたタスクを学ぶために、チームの長期的な報酬を共同で最適化する必要がある。
プライバシエンジニアリングされた価値分解ネットワーク(PE-VDN)は、エージェントの環境相互作用データの機密性を保護しながら、マルチエージェント調整をモデル化する。
我々は,StarCraft Multi-Agent Competition (SMAC) にPE-VDNを実装し,バニラVDNの勝利率の80%を達成することを示す。
論文 参考訳（メタデータ） (2023-09-13T02:50:57Z) - 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) - Semi-decentralized Federated Ego Graph Learning for Recommendation [58.21409625065663]
デバイス上でのレコメンデーションのための半分散型フェデレーションエゴグラフ学習フレームワークであるSemiDFEGLを提案する。
提案するフレームワークはモデルに依存しないため、既存のグラフニューラルネットワークベースのレコメンデーションメソッドやプライバシ保護技術とシームレスに統合できる。
論文 参考訳（メタデータ） (2023-02-10T03:57:45Z) - Outsourcing Training without Uploading Data via Efficient Collaborative
Open-Source Sampling [49.87637449243698]
従来のアウトソーシングでは、デバイスデータをクラウドサーバにアップロードする必要がある。
我々は、公開および異種ソースから収集された膨大なデータセットである、広く利用可能なオープンソースデータを活用することを提案する。
我々は,オープンソースデータからクラウドトレーニングのためのプロキシデータセットを構築するための,ECOS(Efficient Collaborative Open-source Sampling)と呼ばれる新しい戦略を開発した。
論文 参考訳（メタデータ） (2022-10-23T00:12:18Z) - Data Sharing Markets [95.13209326119153]
我々は、各エージェントがデータの買い手および売り手の両方になり得る設定について検討する。
両データ交換(データ付きトレーディングデータ)と一方データ交換(お金付きトレーディングデータ)の2つの事例を考察する。
論文 参考訳（メタデータ） (2021-07-19T06:00:34Z) - FedeRank: User Controlled Feedback with Federated Recommender Systems [4.474834288759608]
データプライバシーは、デジタル時代の最も顕著な懸念の1つです。
我々はプライバシ保護の分散機械学習パラダイムであるFedeRankを紹介する。
また,FedeRankの有効性を,共有ユーザデータのごく一部であっても,推薦精度の観点から示す。
論文 参考訳（メタデータ） (2020-12-15T22:26:54Z)
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。