論文の概要: Risk-based regulation for all: The need and a method for a wide adoption
solution for data-driven inspection targeting
- arxiv url: http://arxiv.org/abs/2204.03583v1
- Date: Thu, 7 Apr 2022 16:59:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-08 15:58:30.393755
- Title: Risk-based regulation for all: The need and a method for a wide adoption
solution for data-driven inspection targeting
- Title(参考訳): リスクに基づくすべての規制:データ駆動型検査ターゲティングのための幅広い採用ソリューションの必要性と方法
- Authors: Celso H. H. Ribas (1,2) and Jos\'e C. M. Bermudez (1) ((1) Digital
Signal Processing Research Laboratory, Federal University of Santa Catarina,
Santa Catarina, Brazil, (2) Superintendence of Inspection, National
Telecommunications Agency, Amazonas, Brazil)
- Abstract要約: 本稿では,データ駆動型の市場監視と検査ターゲティングのためのソリューション開発の必要性と課題について論じる。
規制計画に対処するための効果的な方法を示し、規制当局にとって最も重要かつ一般的な課題である消費者について説明する。
それは、客観的で、公平で、透明で、説明可能な、実装が簡単で、計算コストの低いデータ処理方法の必要性への、規制コミュニティの認識の向上に貢献したいと考えている。
- 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: Access to data and data processing, including the use of machine learning
techniques, has become significantly easier and cheaper in recent years.
Nevertheless, solutions that can be widely adopted by regulators for market
monitoring and inspection targeting in a data-driven way have not been
frequently discussed by the scientific community. This article discusses the
need and the difficulties for the development of such solutions, presents an
effective method to address regulation planning, and illustrates its use to
account for the most important and common subject for the majority of
regulators: the consumer. This article hopes to contribute to increase the
awareness of the regulatory community to the need for data processing methods
that are objective, impartial, transparent, explainable, simple to implement
and with low computational cost, aiming to the implementation of risk-based
regulation in the world.
- Abstract(参考訳): 機械学習技術の利用を含むデータやデータ処理へのアクセスは、近年、大幅に簡単で安価になってきている。
それでも、市場監視およびデータ駆動型ターゲティングの規制当局が広く採用できるソリューションは、科学コミュニティによってはあまり議論されていない。
本稿では,このようなソリューション開発の必要性と難しさについて論じ,規制計画に取り組むための効果的な方法を提案し,規制当局の大多数にとって最も重要かつ一般的な主題である消費者について説明する。
本稿は, 客観的かつ公平, 透明, 説明可能で, 実装が容易で, 計算コストが低く, 世界におけるリスクベースの規制の実施を目指す, データ処理手法の必要性に対して, 規制コミュニティの意識を高めることを目的とする。
関連論文リスト
- Towards Sample-Efficiency and Generalization of Transfer and Inverse Reinforcement Learning: A Comprehensive Literature Review [50.67937325077047]
本稿では,転送および逆強化学習(T-IRL)によるRLアルゴリズムのサンプル効率と一般化を実現するための総合的なレビューを行う。
以上の結果から,最近の研究成果の大部分は,人間のループとシム・トゥ・リアル戦略を活用することで,上記の課題に対処していることが示唆された。
IRL構造の下では、経験の少ない移行と、そのようなフレームワークのマルチエージェントおよびマルチインテンション問題への拡張を必要とするトレーニングスキームが近年研究者の優先事項となっている。
論文 参考訳(メタデータ) (2024-11-15T15:18:57Z) - Human-Data Interaction Framework: A Comprehensive Model for a Future Driven by Data and Humans [0.0]
HDI(Human-Data Interaction)フレームワークは、現代のデジタル世界でのデータガバナンスと利用に関連する課題と倫理的問題に取り組むための重要なアプローチとなっている。
本稿では、組織がHDI原則をシームレスに統合するために必要な基本的な手順を概説する。
論文 参考訳(メタデータ) (2024-07-30T17:57:09Z) - 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) - Enhancing Legal Compliance and Regulation Analysis with Large Language Models [0.0]
本研究では,法律規定を正確に分類し,コンプライアンスチェックを自動化するために,LLM(Large Language Models)の適用について検討する。
以上より, LLMsは, 法的コンプライアンスと規制分析の効率化, 特に手作業量削減, 適切な時間的金融制約下での精度向上に寄与する可能性が示唆された。
論文 参考訳(メタデータ) (2024-04-26T16:40:49Z) - Rethinking Legal Compliance Automation: Opportunities with Large Language Models [2.9088208525097365]
我々は、(テキスト)法的アーティファクトの試験は、まず文よりも広い文脈で行うべきであると論じる。
これらの制約に対処するために,コンプライアンス分析手法を提案する。
論文 参考訳(メタデータ) (2024-04-22T17:10:27Z) - 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) - 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) - Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
半教師付き学習における簡単なメタ学習アルゴリズムを提案する。
その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
論文 参考訳(メタデータ) (2020-07-08T08:48:56Z) - Operationalizing the Legal Principle of Data Minimization for
Personalization [64.0027026050706]
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。
論文 参考訳(メタデータ) (2020-05-28T00:43:06Z)
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。