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
- Disparate Impact on Group Accuracy of Linearization for Private
Inference [52.73179793185882]
多数派と比較して,ReLUアクティベーション数の減少は少数派に対する精度を著しく低下させることを示す。
また,線形化モデルの微調整手順を変更する簡単な手順が,効果的な緩和戦略として有効であることを示す。
論文 参考訳(メタデータ) (2024-02-06T01:56:29Z) - A new framework for global data regulation [0.0]
我々は、特定のデータやツール自体にではなく、これらのデータやツールのコンテキストにおける使用に関連する結果や権利に適用されるように設計された規制フレームワークを提案する。
このフレームワークは、プライバシーを含む幅広い人権を認識し、対処し、保護するように設計されている。
論文 参考訳(メタデータ) (2023-08-24T17:48:56Z) - The geometry of financial institutions -- Wasserstein clustering of
financial data [0.0]
我々は,粒状およびビッグデータを代表的で分かりやすい地図に凝縮する方法を開発した。
金融規制は、このニーズを実証する分野であり、規制当局はその活動を監視し評価するために、多種多様でしばしば非常に粒度の細かいデータを金融機関から要求する。
確率分布に適用可能なロイドのアルゴリズムの変種を提案し、一般化されたワッサーシュタイン・バリセンタを用いて、与えられたデータを凝縮した形で表現する計量空間を構築する。
論文 参考訳(メタデータ) (2023-05-05T14:16:29Z) - Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。
検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
論文 参考訳(メタデータ) (2023-04-20T17:11:05Z) - 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) - Towards Compliant Data Management Systems for Healthcare ML [6.057289837472806]
我々は、ソースからストレージまで、ヘルスケアにおける機械学習プロジェクト内のデータフローがどのようにトレーニングアルゴリズムなどに使われるのかをレビューする。
私たちの目標は、プロジェクトのライフサイクル全体にわたって、マシンやユーザ間で機密データを検知し、追跡するツールを設計することにあります。
この領域の難しさを示すソリューションのプロトタイプを構築します。
論文 参考訳(メタデータ) (2020-11-15T15:27:51Z) - 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。