論文の概要: UN Handbook on Privacy-Preserving Computation Techniques
- arxiv url: http://arxiv.org/abs/2301.06167v1
- Date: Sun, 15 Jan 2023 19:43:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 13:38:14.128744
- Title: UN Handbook on Privacy-Preserving Computation Techniques
- Title(参考訳): プライバシ保護計算技術に関する国連ハンドブック
- Authors: David W. Archer, Borja de Balle Pigem, Dan Bogdanov, Mark Craddock,
Adria Gascon, Ronald Jansen, Matja\v{z} Jug, Kim Laine, Robert McLellan, Olga
Ohrimenko, Mariana Raykova, Andrew Trask, Simon Wardley
- Abstract要約: 本稿では,機密データの統計的解析におけるプライバシー保護手法について述べる。
この文書の情報は、統計学者、データサイエンティスト、データキュレーター、アーキテクト、ITスペシャリスト、およびセキュリティおよび情報保証スペシャリストによって使用されることを意図している。
- 参考スコア(独自算出の注目度): 14.63213847614646
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: This paper describes privacy-preserving approaches for the statistical
analysis. It describes motivations for privacy-preserving approaches for the
statistical analysis of sensitive data, presents examples of use cases where
such methods may apply and describes relevant technical capabilities to assure
privacy preservation while still allowing analysis of sensitive data. Our focus
is on methods that enable protecting privacy of data while it is being
processed, not only while it is at rest on a system or in transit between
systems. The information in this document is intended for use by statisticians
and data scientists, data curators and architects, IT specialists, and security
and information assurance specialists, so we explicitly avoid cryptographic
technical details of the technologies we describe.
- Abstract(参考訳): 本稿では,統計解析におけるプライバシー保護手法について述べる。
機密データの統計的分析のためのプライバシー保護アプローチのモチベーションを記述し、そのような手法が適用可能なユースケースの例を示し、機密データの分析を引き続き可能にしながら、プライバシー保護を保証するための関連技術機能を記述する。
当社は、処理中のデータのプライバシを保護する方法に重点を置いています。
この文書の情報は、統計学者、データサイエンティスト、データキュレーター、アーキテクト、itスペシャリスト、セキュリティおよび情報保証スペシャリストによって使用されることを意図しており、我々が記述した技術の暗号技術の詳細は明確に避けている。
関連論文リスト
- Securing Data Platforms: Strategic Masking Techniques for Privacy and
Security for B2B Enterprise Data [0.0]
ビジネス・ツー・ビジネス(B2B)企業はますますデータプラットフォームを構築しています。
データプライバシとセキュリティを本質的にサポートするメカニズムで、これらのデータプラットフォームを設計することが重要になっている。
データマスキングは、データプラットフォームアーキテクチャの重要な特徴である。
論文 参考訳(メタデータ) (2023-12-06T05:04:37Z) - A Unified View of Differentially Private Deep Generative Modeling [60.72161965018005]
プライバシー上の懸念のあるデータには、データアクセスとデータ共有を頻繁に禁止する厳格な規制が伴う。
これらの障害を克服することは、プライバシーに敏感なデータを含む多くの現実世界のアプリケーションシナリオにおいて、技術的進歩の鍵となる。
差分的プライベート(DP)データパブリッシングは、データの衛生化された形式のみを公開する、魅力的なソリューションを提供する。
論文 参考訳(メタデータ) (2023-09-27T14:38:16Z) - Privacy-Preserving Graph Machine Learning from Data to Computation: A
Survey [67.7834898542701]
我々は,グラフ機械学習のプライバシ保護手法の見直しに重点を置いている。
まずプライバシ保護グラフデータを生成する方法を検討する。
次に,プライバシ保護情報を送信する方法について述べる。
論文 参考訳(メタデータ) (2023-07-10T04:30:23Z) - SoK: Privacy-Preserving Data Synthesis [72.92263073534899]
本稿では,プライバシ保護データ合成(PPDS)に注目し,その分野の総合的な概要,分析,議論を行う。
PPDSでは,統計的手法と深層学習(DL)に基づく手法の2つの顕著な研究を統一するマスターレシピを作成した。
論文 参考訳(メタデータ) (2023-07-05T08:29:31Z) - A Human-in-the-Loop Approach for Information Extraction from Privacy
Policies under Data Scarcity [0.0]
プライバシポリシアノテーションに対するHuman-in-the-Loopアプローチのプロトタイプシステムを提案する。
本稿では,プライバシポリシアノテーションの領域で一般的なデータ不足の制約に特化して,MLに基づく提案システムを提案する。
論文 参考訳(メタデータ) (2023-05-24T10:45:26Z) - Breaking the Communication-Privacy-Accuracy Tradeoff with
$f$-Differential Privacy [51.11280118806893]
サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。
有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。
より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
論文 参考訳(メタデータ) (2023-02-19T16:58:53Z) - No Free Lunch in "Privacy for Free: How does Dataset Condensation Help
Privacy" [75.98836424725437]
データプライバシを保護するために設計された新しい手法は、慎重に精査する必要がある。
プライバシ保護の失敗は検出し難いが,プライバシ保護法を実装したシステムが攻撃された場合,破滅的な結果につながる可能性がある。
論文 参考訳(メタデータ) (2022-09-29T17:50:23Z) - An Overview of Privacy-enhancing Technologies in Biometric Recognition [12.554656658516262]
この研究は、統一されたフレームワークにおけるバイオメトリックスのためのプライバシー向上技術の概念の概要を提供する。
既存のアプローチの基本的特性と限界を議論し、データ保護技術や原則に関連づける。
本論文は,バイオメトリックデータ保護分野への参入点として,経験豊富な研究者と非専門家を対象としている。
論文 参考訳(メタデータ) (2022-06-21T15:21:29Z) - Towards a Data Privacy-Predictive Performance Trade-off [2.580765958706854]
分類タスクにおけるデータプライバシと予測性能のトレードオフの存在を評価する。
従来の文献とは異なり、プライバシーのレベルが高ければ高いほど、予測性能が向上することを確認した。
論文 参考訳(メタデータ) (2022-01-13T21:48:51Z) - 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) - Compressive analysis and the Future of Privacy [0.5857406612420462]
これにはデータ圧縮、データエンコーディング、データ暗号化、ハッシュが含まれる。
本稿では、カスタマイズ可能な個人のプライバシーを実現するための技術の可能性について分析する。
私たちは、プライバシー保護フレームワークとポリシーを確立するための大胆なニーズと、直感的なデジタルサービスアンサンブルの快適さとプライバシとのトレードオフを個人がどうやって達成できるかを列挙します。
論文 参考訳(メタデータ) (2020-06-06T10:33:35Z)
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。