論文の概要: Collective Privacy Recovery: Data-sharing Coordination via Decentralized Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2301.05995v2
• Date: Mon, 10 Jul 2023 21:51:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-12 19:09:03.013158
• Title: Collective Privacy Recovery: Data-sharing Coordination via Decentralized Artificial Intelligence
• Title（参考訳）: 集団プライバシ回復:分散型人工知能によるデータ共有コーディネーション
• Authors: Evangelos Pournaras, Mark Christopher Ballandies, Stefano Bennati, Chien-fei Chen
• Abstract要約: プライバシリカバリのための複雑な集合的アレンジメントの自動化とスケールアップ方法を示す。 私たちは初めて、時間的、内在的、報酬的、コーディネートされたデータ共有を比較した。 興味深いことに、データ共有のコーディネーションは、誰にとっても勝利だ。
• 参考スコア（独自算出の注目度）: 2.309914459672557
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Collective privacy loss becomes a colossal problem, an emergency for personal freedoms and democracy. But, are we prepared to handle personal data as scarce resource and collectively share data under the doctrine: as little as possible, as much as necessary? We hypothesize a significant privacy recovery if a population of individuals, the data collective, coordinates to share minimum data for running online services with the required quality. Here we show how to automate and scale-up complex collective arrangements for privacy recovery using decentralized artificial intelligence. For this, we compare for first time attitudinal, intrinsic, rewarded and coordinated data sharing in a rigorous living-lab experiment of high realism involving >27,000 real data disclosures. Using causal inference and cluster analysis, we differentiate criteria predicting privacy and five key data-sharing behaviors. Strikingly, data-sharing coordination proves to be a win-win for all: remarkable privacy recovery for people with evident costs reduction for service providers.
• Abstract（参考訳）: 集団的プライバシー喪失は、個人的な自由と民主主義の緊急問題となる。 しかし、私たちは個人情報を希少なリソースとして扱い、原則の下でデータをまとめて共有する準備ができていますか? データ集合である個人集団が、必要な品質でオンラインサービスを実行するための最小限のデータを共有するために調整した場合、プライバシの回復が著しいと仮定する。 ここでは、分散人工知能を用いたプライバシー回復のための複雑な集合的アレンジメントの自動化とスケールアップ方法を紹介する。 そこで我々は,27,000以上の実データ開示を伴う高現実主義の厳密なリビングラボ実験において,初回,内在的,報酬的,協調的なデータ共有を比較した。 因果推論とクラスタ分析を用いて,プライバシの予測基準と5つの重要なデータ共有行動とを区別する。 興味深いことに、データ共有のコーディネーションは、すべての人にとって勝利であることが証明されている。

関連論文リスト

• FT-PrivacyScore: Personalized Privacy Scoring Service for Machine Learning Participation [4.772368796656325]
  実際には、制御されたデータアクセスは、多くの産業や研究環境でデータプライバシを保護する主要な方法である。 我々は,FT-PrivacyScoreのプロトタイプを開発し,モデル微調整作業に参加する際のプライバシーリスクを効率よく定量的に推定できることを実証した。
  論文  参考訳（メタデータ） (2024-10-30T02:41:26Z)
• Federated Transfer Learning with Differential Privacy [21.50525027559563]
  我々は、信頼された中央サーバを仮定することなく、各データセットに対するプライバシー保証を提供する、テキストフェデレーションによる差分プライバシーの概念を定式化する。 フェデレートされた差分プライバシは、確立されたローカルと中央の差分プライバシモデルの間の中間プライバシモデルであることを示す。
  論文  参考訳（メタデータ） (2024-03-17T21:04:48Z)
• Private Set Generation with Discriminative Information [63.851085173614]
  異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。 既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。 我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
  論文  参考訳（メタデータ） (2022-11-07T10:02:55Z)
• DP2-Pub: Differentially Private High-Dimensional Data Publication with Invariant Post Randomization [58.155151571362914]
  本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。 属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。 また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
  論文  参考訳（メタデータ） (2022-08-24T17:52:43Z)
• Smooth Anonymity for Sparse Graphs [69.1048938123063]
  しかし、スパースデータセットを共有するという点では、差分プライバシーがプライバシのゴールドスタンダードとして浮上している。 本研究では、スムーズな$k$匿名性(スムーズな$k$匿名性)と、スムーズな$k$匿名性(スムーズな$k$匿名性)を提供する単純な大規模アルゴリズムを設計する。
  論文  参考訳（メタデータ） (2022-07-13T17:09:25Z)
• Privacy for Free: How does Dataset Condensation Help Privacy? [21.418263507735684]
  私たちは、データセット凝縮(DC)が、プライベートデータ生成のために従来のデータジェネレータを置き換えるためのより良いソリューションであることも確認しています。 我々は、DC合成データの視覚的プライバシとメンバシップのプライバシを、損失ベースと最先端の可能性ベースのメンバシップ推論攻撃の両方を起動することによって実証的に検証する。
  論文  参考訳（メタデータ） (2022-06-01T05:39:57Z)
• Mitigating Leakage from Data Dependent Communications in Decentralized Computing using Differential Privacy [1.911678487931003]
  本稿では,ユーザ側分散計算における通信データ依存性を制御する汎用実行モデルを提案する。 私たちの公式なプライバシー保証は、シャッフルによるプライバシーの増幅に関する最近の結果を活用し、拡張します。
  論文  参考訳（メタデータ） (2021-12-23T08:30:17Z)
• 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)
• Differential Privacy of Hierarchical Census Data: An Optimization Approach [53.29035917495491]
  国勢調査局(Census Bureaus)は、個人に関する機密情報を明らかにすることなく、大人口に関する社会経済的データをまとめて公開することに興味を持っている。 最近の出来事では、これらの組織が直面しているプライバシー上の課題がいくつか特定されている。 本稿では,階層的な個人数を解放する新たな差分プライバシ機構を提案する。
  論文  参考訳（メタデータ） (2020-06-28T18:19:55Z)
• Give more data, awareness and control to individual citizens, and they will help COVID-19 containment [74.10257867142049]
  連絡先追跡アプリは、多くの国で大規模採用が提案されている。 中央集権的なアプローチは、市民のプライバシーと不必要に強力なデジタル監視に対する懸念を提起する。 我々は、個人の「個人データストア」にのみ連絡先と位置情報を収集する分散的アプローチを提唱する。
  論文  参考訳（メタデータ） (2020-04-10T20:30:37Z)
• The Cost of Privacy in Asynchronous Differentially-Private Machine Learning [17.707240607542236]
  我々は、複数のプライベートデータセット上で機械学習モデルを協調訓練するための、微分プライベート非同期アルゴリズムを開発した。 中央学習者は、通信可能なときに、プライベートデータ所有者と1対1で対話する。 提案したプライバシ保存非同期アルゴリズムの性能を予測できることを実証する。
  論文  参考訳（メタデータ） (2020-03-18T23:06:28Z)

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。