論文の概要: Toward the Cure of Privacy Policy Reading Phobia: Automated Generation of Privacy Nutrition Labels From Privacy Policies

• arxiv url: http://arxiv.org/abs/2306.10923v1
• Date: Mon, 19 Jun 2023 13:33:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 19:27:24.837378
• Title: Toward the Cure of Privacy Policy Reading Phobia: Automated Generation of Privacy Nutrition Labels From Privacy Policies
• Title（参考訳）: 恐怖症を読み取るプライバシー政策の危機に向けて:プライバシー政策からプライバシー栄養ラベルの自動生成
• Authors: Shidong Pan, Thong Hoang, Dawen Zhang, Zhenchang Xing, Xiwei Xu, Qinghua Lu, and Mark Staples
• Abstract要約: プライバシーポリシーからプライバシー栄養ラベルを自動的に生成できる最初のフレームワークを提案する。 Google Play App StoreのData Safety Reportに関する私たちの真実のアプリケーションに基づいて、当社のフレームワークは、サードパーティのデータ収集プラクティスの生成において、0.75F1スコアを達成しています。 また、市場における地平の真実と保護されたプライバシーの栄養ラベルの矛盾を分析し、我々のフレームワークは90.1%の未解決の問題を検出することができる。
• 参考スコア（独自算出の注目度）: 19.180437130066323
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software applications have become an omnipresent part of modern society. The consequent privacy policies of these applications play a significant role in informing customers how their personal information is collected, stored, and used. However, customers rarely read and often fail to understand privacy policies because of the ``Privacy Policy Reading Phobia'' (PPRP). To tackle this emerging challenge, we propose the first framework that can automatically generate privacy nutrition labels from privacy policies. Based on our ground truth applications about the Data Safety Report from the Google Play app store, our framework achieves a 0.75 F1-score on generating first-party data collection practices and an average of 0.93 F1-score on general security practices. We also analyse the inconsistencies between ground truth and curated privacy nutrition labels on the market, and our framework can detect 90.1% under-claim issues. Our framework demonstrates decent generalizability across different privacy nutrition label formats, such as Google's Data Safety Report and Apple's App Privacy Details.
• Abstract（参考訳）: ソフトウェアアプリケーションは現代社会のあらゆる部分を占めている。 これらのアプリケーションの一連のプライバシーポリシーは、顧客の個人情報の収集、保存、使用方法を伝える上で重要な役割を果たす。 しかし、顧客は‘privacy policy reading phobia’(pprp)のため、めったに読まれず、しばしばプライバシーポリシーを理解することができない。 この課題に対処するために、プライバシーポリシーからプライバシー栄養ラベルを自動的に生成できる最初のフレームワークを提案する。 当社のフレームワークは,Google Play App StoreのData Safety Reportに関する私たちの真実のアプリケーションに基づいて,サードパーティのデータ収集プラクティスの生成に関する0.75F1スコア,一般的なセキュリティプラクティスに関する平均0.93F1スコアを達成しています。 また、市場における地平の真実と保護されたプライバシー栄養ラベルの矛盾を分析し、我々のフレームワークは90.1%の未解決の問題を検出することができる。 当社のフレームワークは,GoogleのData Safety ReportやAppleのApp Privacy detailsなど,さまざまなプライバシ栄養ラベルフォーマットに対して,適切な汎用性を示している。

関連論文リスト

• Interactive GDPR-Compliant Privacy Policy Generation for Software Applications [6.189770781546807]
  ソフトウェアアプリケーションを使用するには、ユーザが個人情報を提供するように要求されることがある。 プライバシーが重要な関心事になっているため、世界中で多くの保護規制が存在している。 本稿では,包括的かつ適合したプライバシポリシを生成するアプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-04T01:22:16Z)
• PrivacyLens: Evaluating Privacy Norm Awareness of Language Models in Action [54.11479432110771]
  PrivacyLensは、プライバシに敏感な種子を表現的なヴィグネットに拡張し、さらにエージェントの軌跡に拡張するために設計された新しいフレームワークである。 プライバシの文献とクラウドソーシングされたシードに基づいて、プライバシの規範のコレクションをインスタンス化する。 GPT-4やLlama-3-70Bのような最先端のLMは、プライバシー強化の指示が出されたとしても、機密情報を25.68%、38.69%のケースでリークしている。
  論文  参考訳（メタデータ） (2024-08-29T17:58:38Z)
• {A New Hope}: Contextual Privacy Policies for Mobile Applications and An Approach Toward Automated Generation [19.578130824867596]
  コンテキストプライバシポリシ(CPP)の目的は、プライバシポリシを簡潔なスニペットに断片化し、アプリケーションのグラフィカルユーザインターフェース(GUI)内の対応するコンテキスト内でのみ表示することである。 本稿では,モバイルアプリケーションシナリオでCPPを初めて定式化し,モバイルアプリケーション用のCPPを自動生成するSeePrivacyという新しいマルチモーダルフレームワークを提案する。 人間の評価では、抽出されたプライバシーポリシーセグメントの77%が、検出されたコンテキストと適切に一致していると認識されている。
  論文  参考訳（メタデータ） (2024-02-22T13:32:33Z)
• SeePrivacy: Automated Contextual Privacy Policy Generation for Mobile Applications [21.186902172367173]
  SeePrivacyは、モバイルアプリのコンテキストプライバシポリシを自動的に生成するように設計されている。 本手法は,モバイルGUI理解とプライバシポリシ文書解析を相乗的に組み合わせた手法である。 検索されたポリシーセグメントの96%は、そのコンテキストと正しく一致させることができる。
  論文  参考訳（メタデータ） (2023-07-04T12:52:45Z)
• Is It a Trap? A Large-scale Empirical Study And Comprehensive Assessment of Online Automated Privacy Policy Generators for Mobile Apps [15.181098379077344]
  自動プライバシポリシジェネレータは、モバイルアプリのプライバシポリシを作成することができる。 プライバシーポリシーの約20.1%は、既存のAPPGによって生成される可能性がある。 アプリケーション開発者は、潜在的な落とし穴を避けるために、適切にAPPGを選択して使用する必要があります。
  論文  参考訳（メタデータ） (2023-05-05T04:08:18Z)
• 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)
• 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)
• 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)
• PCAL: A Privacy-preserving Intelligent Credit Risk Modeling Framework Based on Adversarial Learning [111.19576084222345]
  本稿では,PCAL(Adversarial Learning)に基づくプライバシ保護型信用リスクモデリングの枠組みを提案する。 PCALは、ターゲット予測タスクのパフォーマンスの重要なユーティリティ情報を維持しながら、元のデータセット内のプライベート情報を隠蔽することを目的としている。 結果は,PCALがユーザデータから効果的なプライバシフリー表現を学習し,信用リスク分析のためのプライバシ保存機械学習の基盤となることを示唆している。
  論文  参考訳（メタデータ） (2020-10-06T07:04:59Z)
• Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
  エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。 まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。 そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-09-18T20:18:35Z)

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。