論文の概要: Longitudinal Analysis of Privacy Labels in the Apple App Store

• arxiv url: http://arxiv.org/abs/2206.02658v3
• Date: Tue, 15 Apr 2025 17:31:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-26 11:16:34.841738
• Title: Longitudinal Analysis of Privacy Labels in the Apple App Store
• Title（参考訳）: Apple App Storeにおけるプライバシーラベルの経時的分析
• Authors: David G. Balash, Mir Masood Ali, Monica Kodwani, Xiaoyuan Wu, Chris Kanich, Adam J. Aviv,
• Abstract要約: 2020年12月、Appleはアプリデベロッパーに対して、アプリのプライバシーラベルアノテーションを自己報告するよう要求し始めた。 プライバシーラベルの公開から2年近く経った今、アプリの70.1%がプライバシーラベルを持っている。 ラベルを持つアプリのうち、18.1%はユーザーを追跡するために使用されるデータを集め、38.1%はユーザーIDにリンクされたデータを収集し、42.0%はリンクされていないデータを収集している。
• 参考スコア（独自算出の注目度）: 14.05262934760501
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In December of 2020, Apple started to require app developers to self-report privacy label annotations on their apps indicating what data is collected and how it is used.To understand the adoption and shifts in privacy labels in the App Store, we collected nearly weekly snapshots of over 1.6 million apps for over a year (July 15, 2021 -- October 25, 2022) to understand the dynamics of privacy label ecosystem. Nearly two years after privacy labels launched, only 70.1% of apps have privacy labels, but we observed an increase of 28% during the measurement period. Privacy label adoption rates are mostly driven by new apps rather than older apps coming into compliance. Of apps with labels, 18.1% collect data used to track users, 38.1% collect data that is linked to a user identity, and 42.0% collect data that is not linked. A surprisingly large share (41.8%) of apps with labels indicate that they do not collect any data, and while we do not perform direct analysis of the apps to verify this claim, we observe that it is likely that many of these apps are choosing a Does Not Collect label due to being forced to select a label, rather than this being the true behavior of the app. Moreover, for apps that have assigned labels during the measurement period nearly all do not change their labels, and when they do, the new labels indicate more data collection than less. This suggests that privacy labels may be a ``set once'' mechanism for developers that may not actually provide users with the clarity needed to make informed privacy decisions.
• Abstract（参考訳）: 2020年12月、Appleはアプリ開発者に、どのデータが収集され、どのように使用されるかを示すプライバシーラベルアノテーションを自己申告するよう要求し始めた。App Storeにおけるプライバシーラベルの採用と変更を理解するため、我々は、プライバシーラベルエコシステムのダイナミクスを理解するために、1年以上(2021年7月15日-2022年10月25日)、160万以上のアプリのほぼ毎週スナップショットを収集した。 プライバシーラベルの公開から2年近く経っても、プライバシーラベルを持つアプリは70.1%に過ぎなかったが、測定期間中に28%増加した。 プライバシラベルの採用率は主に、コンプライアンスに適合する古いアプリではなく、新しいアプリによって引き起こされる。 ラベルを持つアプリのうち、18.1%はユーザーを追跡するために使用されるデータを集め、38.1%はユーザーIDにリンクされたデータを収集し、42.0%はリンクされていないデータを収集している。 ラベル付きアプリの驚くほど大きなシェア(41.8%)は、彼らがデータを収集していないことを示しており、我々はこの主張を検証するためにアプリの直接的な分析を行っていないが、これらのアプリの多くは、アプリの真の振る舞いではなく、ラベルを選択することを余儀なくされているため、Dod Not Collectラベルを選択している可能性が高いことを観察している。 さらに、測定期間中にラベルを割り当てたアプリでは、ほとんどすべてがラベルを変更していない。 これは、プライバシラベルが、情報的なプライバシ決定に必要な明快さを実際にユーザに提供していない開発者にとって、‘set once’メカニズムである可能性を示唆している。

関連論文リスト

• Mixed Blessing: Class-Wise Embedding guided Instance-Dependent Partial Label Learning [53.64180787439527]
  部分ラベル学習(PLL)では、各サンプルは、基底トラスラベルと複数のノイズラベルからなる候補ラベルセットに関連付けられている。 初めて、各サンプルに対してクラスワイドな埋め込みを作成し、インスタンス依存のノイズラベルの関係を調査できるようにします。 ラベルの曖昧さを低減するため,グローバルな特徴情報を含むクラスプロトタイプのコンセプトを紹介した。
  論文  参考訳（メタデータ） (2024-12-06T13:25:39Z)
• Honesty is the Best Policy: On the Accuracy of Apple Privacy Labels Compared to Apps' Privacy Policies [13.771909487087793]
  Appleは2020年12月に、アプリのプライバシー動作を報告するためのプライバシーラベルを導入した。 Appleはラベルを検証していないが、開発者は重要な比較ポイントを提供するプライバシーポリシーを提供する必要がある。 BERTベースの言語モデルを微調整して,iOS App Storeの474,669アプリのプライバシポリシ機能を抽出しました。
  論文  参考訳（メタデータ） (2023-06-29T16:10:18Z)
• ATLAS: Automatically Detecting Discrepancies Between Privacy Policies and Privacy Labels [2.457872341625575]
  自動プライバシラベル解析システム(ATLAS)について紹介する。 ATLASは、モバイルアプリのプライバシーポリシーとプライバシーラベルの相違点を特定する。 平均して、アプリには5.32のコンプライアンス上の問題があることがわかっています。
  論文  参考訳（メタデータ） (2023-05-24T05:27:22Z)
• The Overview of Privacy Labels and their Compatibility with Privacy Policies [24.871967983289117]
  プライバシ栄養ラベルは、長く読みにくいプライバシポリシを読むことなく、アプリの重要なデータプラクティスを理解する方法を提供する。 Apple(アップル)とGoogle(グーグル)は、アプリ開発者がプライバシーに関する慣行を強調したプライバシー保護ラベルを埋めることを義務付けている。
  論文  参考訳（メタデータ） (2023-03-14T20:10:28Z)
• Exploiting Completeness and Uncertainty of Pseudo Labels for Weakly Supervised Video Anomaly Detection [149.23913018423022]
  弱教師付きビデオ異常検出は、ビデオレベルのラベルのみを用いて、ビデオ内の異常事象を特定することを目的としている。 2段階の自己学習法は擬似ラベルの自己生成によって著しく改善されている。 本稿では,自己学習のための完全性と不確実性を利用した強化フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-08T05:53:53Z)
• Goodbye Tracking? Impact of iOS App Tracking Transparency and Privacy Labels [25.30364629335751]
  AppleはiOS 14で、iOS上のトラッキングを可能にする必須オプトインシステムであるApp Tracking Transparency (ATT)と、プライバシ栄養ラベルの2つの重要な変更を導入した。 この記事では、英国App Storeから1,759のiOSアプリの2つのバージョンを分析し、これらの変更が個人のプライバシとコントロールに与える影響について論じる。 Apple自身が、サードパーティの追跡や信用スコアなどの侵入的なデータプラクティスを、何らかの形で追跡し、免除していることに気付きました。
  論文  参考訳（メタデータ） (2022-04-07T16:32:58Z)
• SPAct: Self-supervised Privacy Preservation for Action Recognition [73.79886509500409]
  アクション認識におけるプライバシー漏洩を緩和するための既存のアプローチは、ビデオデータセットのアクションラベルとともに、プライバシラベルを必要とする。 自己教師付き学習(SSL)の最近の進歩は、未ラベルデータの未発見の可能性を解き放ちつつある。 本稿では、プライバシーラベルを必要とせず、自己管理的な方法で、入力ビデオからプライバシー情報を除去する新しいトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-29T02:56:40Z)
• Analysis of Longitudinal Changes in Privacy Behavior of Android Applications [79.71330613821037]
  本稿では,プライバシに関して,Androidアプリが時間とともにどのように変化してきたかを検討する。 HTTPSの採用、アプリが他のインストール済みアプリのデバイスをスキャンするかどうか、プライバシに敏感なデータに対するパーミッションの使用、ユニークな識別子の使用について検討する。 アプリがアップデートを受け続けるにつれて、プライバシ関連の振る舞いは時間とともに改善され、アプリによって使用されるサードパーティライブラリが、プライバシに関するより多くの問題に責任を負っていることが分かっています。
  論文  参考訳（メタデータ） (2021-12-28T16:21:31Z)
• A Study on the Autoregressive and non-Autoregressive Multi-label Learning [77.11075863067131]
  本稿では,ラベルとラベルの依存関係を共同で抽出する自己アテンションに基づく変分エンコーダモデルを提案する。 したがって、ラベルラベルとラベル機能の両方の依存関係を保ちながら、すべてのラベルを並列に予測することができる。
  論文  参考訳（メタデータ） (2020-12-03T05:41:44Z)
• Emerging App Issue Identification via Online Joint Sentiment-Topic Tracing [66.57888248681303]
  本稿では,MERITという新しい問題検出手法を提案する。 AOBSTモデルに基づいて、1つのアプリバージョンに対するユーザレビューに否定的に反映されたトピックを推測する。 Google PlayやAppleのApp Storeで人気のアプリに対する実験は、MERITの有効性を実証している。
  論文  参考訳（メタデータ） (2020-08-23T06:34:05Z)

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。