Fugu-MT 論文翻訳(概要): The Overview of Privacy Labels and their Compatibility with Privacy Policies

論文の概要: The Overview of Privacy Labels and their Compatibility with Privacy Policies

arxiv url: http://arxiv.org/abs/2303.08213v1
Date: Tue, 14 Mar 2023 20:10:28 GMT
ステータス: 処理完了
システム内更新日: 2023-03-16 15:42:04.400589
Title: The Overview of Privacy Labels and their Compatibility with Privacy Policies
Title（参考訳）: プライバシーラベルの概要とプライバシーポリシーとの互換性
Authors: Rishabh Khandelwal, Asmit Nayak, Paul Chung and Kassem Fawaz
Abstract要約: 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。
参考スコア（独自算出の注目度）: 24.871967983289117
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Privacy nutrition labels provide a way to understand an app's key data practices without reading the long and hard-to-read privacy policies. Recently, the app distribution platforms for iOS(Apple) and Android(Google) have implemented mandates requiring app developers to fill privacy nutrition labels highlighting their privacy practices such as data collection, data sharing, and security practices. These privacy labels contain very fine-grained information about the apps' data practices such as the data types and purposes associated with each data type. This provides us with a unique vantage point from which we can understand apps' data practices at scale.
Abstract（参考訳）: プライバシー栄養ラベルは、長く読みにくいプライバシーポリシーを読むことなく、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。最近、ios(apple)とandroid(google)のアプリ配布プラットフォームは、アプリ開発者にデータ収集、データ共有、セキュリティプラクティスなどのプライバシプラクティスを強調するプライバシー栄養ラベルを満たさなければならないという義務を課している。これらのプライバシラベルには、各データタイプに関連するデータタイプや目的など、アプリのデータプラクティスに関する非常に詳細な情報が含まれている。これにより、アプリケーションのデータプラクティスを大規模に理解するための、ユニークなヴァンテージポイントが得られます。

関連論文リスト

PLUE: Language Understanding Evaluation Benchmark for Privacy Policies in English [77.79102359580702]
プライバシポリシ言語理解評価(PLUE)ベンチマークは,プライバシポリシ言語理解を評価するマルチタスクベンチマークである。また、プライバシポリシの大規模なコーパスを収集し、プライバシポリシドメイン固有の言語モデル事前トレーニングを可能にします。ドメイン固有の事前トレーニングによって、すべてのタスクでパフォーマンスが向上することを示す。
論文参考訳（メタデータ） (2022-12-20T05:58:32Z)
Considerations for Differentially Private Learning with Large-Scale Public Pretraining [58.75893136929649]
大規模なWebスクレイプデータセットの使用は、差分プライバシ保存と見なすべきかどうかを疑問視する。 Webデータ上で事前訓練されたこれらのモデルを“プライベート”として公開することで、市民のプライバシーに対する信頼を意味のあるプライバシの定義として損なう可能性があることを警告します。公的な事前学習がより普及し、強力になるにつれて、私的な学習分野への道のりを議論することで、我々は結論づける。
論文参考訳（メタデータ） (2022-12-13T10:41:12Z)
Privacy Explanations - A Means to End-User Trust [64.7066037969487]
この問題に対処するために、説明可能性がどのように役立つかを検討しました。私たちはプライバシーの説明を作成し、エンドユーザの理由と特定のデータが必要な理由を明らかにするのに役立ちました。我々の発見は、プライバシーの説明がソフトウェアシステムの信頼性を高めるための重要なステップであることを示している。
論文参考訳（メタデータ） (2022-10-18T09:30:37Z)
Algorithms with More Granular Differential Privacy Guarantees [65.3684804101664]
我々は、属性ごとのプライバシー保証を定量化できる部分微分プライバシー(DP)について検討する。本研究では,複数の基本データ分析および学習タスクについて検討し,属性ごとのプライバシパラメータが個人全体のプライバシーパラメータよりも小さい設計アルゴリズムについて検討する。
論文参考訳（メタデータ） (2022-09-08T22:43:50Z)
The Privacy Onion Effect: Memorization is Relative [76.46529413546725]
もっとも脆弱な外接点の"層"を取り除くことで、前もって安全だった点の新たな層を同じ攻撃に晒す。これは、機械学習のようなプライバシー強化技術が、他のユーザーのプライバシーに悪影響を及ぼす可能性を示唆している。
論文参考訳（メタデータ） (2022-06-21T15:25:56Z)
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)
Personalized PATE: Differential Privacy for Machine Learning with Individual Privacy Guarantees [1.2691047660244335]
トレーニングデータ内に、パーソナライズされたプライバシ保証の異なるMLモデルのトレーニングを支援する3つの新しい方法を提案する。実験により, 個人化されたプライバシ手法は, 非個人化されたベースラインよりも高い精度のモデルが得られることがわかった。
論文参考訳（メタデータ） (2022-02-21T20:16:27Z)
FakeSafe: Human Level Data Protection by Disinformation Mapping using Cycle-consistent Adversarial Network [4.987581730476023]
偽情報戦略はデータサイエンスに適応して貴重な私的かつ機密的なデータを保護するスマートフォンやウェアラブルなどのパーソナルデバイスから大量のプライベートデータが生成される。セキュアなデータ転送とストレージインフラストラクチャを構築してプライバシを保存することは、ほとんどのケースでコストがかかります。本研究では,サイクル整合性のある生成逆ネットワークを用いた人間レベルのデータ保護を実現するためのFakeSafeという手法を提案する。
論文参考訳（メタデータ） (2020-11-23T08:47:40Z)
Learning With Differential Privacy [3.618133010429131]
異なるプライバシーは、漏洩に対する適切な保護を約束して救助にやってくる。データの収集時にランダムな応答技術を使用し、より優れたユーティリティで強力なプライバシを保証します。
論文参考訳（メタデータ） (2020-06-10T02:04:13Z)
Utility-aware Privacy-preserving Data Releasing [7.462336024223669]
本稿では2段階の摂動に基づくプライバシー保護データ公開フレームワークを提案する。まず、特定の事前定義されたプライバシとユーティリティの問題がパブリックドメインデータから学習される。そして、学習した知識を活用して、データ所有者のデータを民営化したデータに正確に摂動させます。
論文参考訳（メタデータ） (2020-05-09T05:32:46Z)
Practical Privacy Preserving POI Recommendation [26.096197310800328]
本稿では,プライバシ保護のためのPOI勧告(PriRec)フレームワークを提案する。 PriRecは、ユーザのプライベートな生データとモデルを自身の手で保持し、ユーザのプライバシを広範囲に保護する。実世界のデータセットにPriRecを適用し、包括的な実験により、FMと比較すると、PriRecは同等またはそれ以上のレコメンデーション精度を達成した。
論文参考訳（メタデータ） (2020-03-05T06:06:40Z)

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。