論文の概要: Transparency in App Analytics: Analyzing the Collection of User Interaction Data

• arxiv url: http://arxiv.org/abs/2306.11447v1
• Date: Tue, 20 Jun 2023 11:01:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 19:13:53.555866
• Title: Transparency in App Analytics: Analyzing the Collection of User Interaction Data
• Title（参考訳）: アプリ分析における透明性: ユーザインタラクションデータの収集を分析する
• Authors: Feiyang Tang, Bjarte M. {\O}stvold
• Abstract要約: インタラクションデータ収集の一般的な実践を識別するために,Androidアプリの分析ライブラリのトップ20を分析した。 アプリのデータ収集プラクティスを要約するための標準化されたコレクションクレームテンプレートを開発した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The rise of mobile apps has brought greater convenience and many options for users. However, many apps use analytics services to collect a wide range of user interaction data, with privacy policies often failing to reveal the types of interaction data collected or the extent of the data collection practices. This lack of transparency potentially breaches data protection laws and also undermines user trust. We conducted an analysis of the top 20 analytic libraries for Android apps to identify common practices of interaction data collection and used this information to develop a standardized collection claim template for summarizing an app's data collection practices wrt. user interaction data. We selected the top 100 apps from popular categories on Google Play and used automatic static analysis to extract collection evidence from their data collection implementations. Our analysis found that a significant majority of these apps actively collected interaction data from UI types such as View (89%), Button (76%), and Textfield (63%), highlighting the pervasiveness of user interaction data collection. By comparing the collection evidence to the claims derived from privacy policy analysis, we manually fact-checked the completeness and accuracy of these claims for the top 10 apps. We found that, except for one app, they all failed to declare all types of interaction data they collect and did not specify some of the collection techniques used.
• Abstract（参考訳）: モバイルアプリの普及は、ユーザーにとって利便性と多くの選択肢をもたらしている。 しかし、多くのアプリが分析サービスを使用して幅広いユーザーインタラクションデータを収集しているため、プライバシポリシは収集されたインタラクションデータの種類やデータ収集のプラクティスの範囲を明らかにしていないことが多い。 この透明性の欠如は、データ保護法に違反し、ユーザの信頼を損なう可能性がある。 インタラクションデータ収集の一般的なプラクティスを特定するために,androidアプリの分析ライブラリのトップ20を分析し,この情報を用いて,アプリケーションのデータ収集プラクティスを要約する標準的なコレクションクレームテンプレートを開発した。 ユーザインタラクションデータ。 google play上の人気カテゴリのトップ100アプリを選択し、自動静的解析を使用して、データ収集実装から収集した証拠を抽出した。 分析の結果,これらのアプリの大部分がビュー(89%),ボタン(76%),テキストフィールド(63%)といったUIタイプのインタラクションデータを積極的に収集しており,ユーザインタラクションデータ収集の広範性を強調していることがわかった。 収集した証拠を、プライバシーポリシーの分析から得られた主張と比較することにより、トップ10アプリのクレームの完全性と正確性を手作業で確認した。 1つのアプリを除いて、彼らは皆、収集したすべてのタイプのインタラクションデータを宣言することができず、使用したコレクションのテクニックを特定できなかった。

関連論文リスト

• Do Android App Developers Accurately Report Collection of Privacy-Related Data? [5.863391019411233]
  欧州連合(EU)の一般保護規則は、ベンダーに対し、アプリが収集したデータを忠実に開示するよう求めている。 多くのAndroidアプリは、同じ情報のためにサードパーティのコードを使用するが、すぐには利用できない。 プライバシ関連のデータの多層的定義を最初に公開し,Androidアプリのコレクションを正しくレポートする。 次にプライバシに敏感なデータクラスのデータセットを作成して,Androidアプリの入力として使用します。
  論文  参考訳（メタデータ） (2024-09-06T10:05:45Z)
• Data Exposure from LLM Apps: An In-depth Investigation of OpenAI's GPTs [17.433387980578637]
  本稿は,LLMアプリのデータプラクティスにおける透明性の実現を目的とする。 OpenAIのGPTアプリエコシステムを研究します。 パスワードなどのOpenAIが禁止している機密情報を含む,ユーザに関する広範囲なデータを収集する。
  論文  参考訳（メタデータ） (2024-08-23T17:42:06Z)
• User Interaction Data in Apps: Comparing Policy Claims to Implementations [0.0]
  我々は、ポリシークレームとデータ収集手法の整合性を評価するために、静的解析手法を用いて、さまざまなカテゴリにまたがるトップ100アプリを分析した。 我々の調査結果は、データ収集における透明性の欠如と、それに伴う再識別のリスクを強調し、ユーザのプライバシと信頼に関する懸念を高めている。
  論文  参考訳（メタデータ） (2023-12-05T12:11:11Z)
• Going beyond research datasets: Novel intent discovery in the industry setting [60.90117614762879]
  本稿では,大規模なeコマースプラットフォームに展開する意図発見パイプラインを改善する手法を提案する。 ドメイン内データに基づく事前学習型言語モデルの利点を示す。 また,クラスタリングタスクの微調整中に,実生活データセットの会話構造(質問と回答)を利用するための最善の方法も考案した。
  論文  参考訳（メタデータ） (2023-05-09T14:21:29Z)
• Federated Privacy-preserving Collaborative Filtering for On-Device Next App Prediction [52.16923290335873]
  本稿では,モバイルデバイス使用時の次のアプリの起動を予測するための新しいSeqMFモデルを提案する。 古典行列分解モデルの構造を修正し、学習手順を逐次学習に更新する。 提案手法のもうひとつの要素は,ユーザからリモートサーバへの送信データの保護を保証する,新たなプライバシメカニズムである。
  論文  参考訳（メタデータ） (2023-02-05T10:29:57Z)
• Resolving Uncertain Case Identifiers in Interaction Logs: A User Study [0.4014524824655105]
  本稿では,クリックデータのケース概念を決定するニューラルネットワークに基づく手法を提案する。 移動型共有企業のインタラクションデータから得られたセグメント化されたイベントログに基づいて,その有効性を検証する。
  論文  参考訳（メタデータ） (2022-11-21T16:13:04Z)
• Finding Facial Forgery Artifacts with Parts-Based Detectors [73.08584805913813]
  顔の個々の部分に焦点を絞った一連の偽造検知システムを設計する。 これらの検出器を用いて、FaceForensics++、Celeb-DF、Facebook Deepfake Detection Challengeデータセットの詳細な実験分析を行う。
  論文  参考訳（メタデータ） (2021-09-21T16:18:45Z)
• Simple multi-dataset detection [83.9604523643406]
  複数の大規模データセット上で統合検出器を訓練する簡単な方法を提案する。 データセット固有のアウトプットを共通の意味分類に自動的に統合する方法を示す。 私たちのアプローチは手動の分類学の調整を必要としません。
  論文  参考訳（メタデータ） (2021-02-25T18:55:58Z)
• Dynamic Graph Collaborative Filtering [64.87765663208927]
  動的レコメンデーションは,逐次データに基づくリアルタイム予測を提供するレコメンデータシステムにとって不可欠である。 本稿では、動的グラフを利用して協調関係とシーケンシャル関係をキャプチャする新しいフレームワーク、Dynamic Graph Collaborative Filtering (DGCF)を提案する。 提案手法は, 動的協調情報の統合の有効性を示すため, 動作繰り返しの少ないデータセットでは高い性能を実現する。
  論文  参考訳（メタデータ） (2021-01-08T04:16:24Z)
• Disentangled Graph Collaborative Filtering [100.26835145396782]
  Disentangled Graph Collaborative Filtering (DGCF)は、インタラクションデータからユーザとアイテムの情報表現を学ぶための新しいモデルである。 ユーザ・イテムのインタラクション毎に意図を超越した分布をモデル化することにより、インテント・アウェアなインタラクショングラフと表現を反復的に洗練する。 DGCFはNGCF、DisenGCN、MacridVAEといった最先端モデルよりも大幅に改善されている。
  論文  参考訳（メタデータ） (2020-07-03T15:37:25Z)
• A Comparative Study of Sequence Classification Models for Privacy Policy Coverage Analysis [0.0]
  プライバシーポリシーは、ウェブサイトがユーザーのデータを収集、使用、配布する方法を記述する法的文書である。 私たちのソリューションは、さまざまな古典的な機械学習とディープラーニング技術を使用して、Webサイトのプライバシポリシのカバレッジ分析をユーザに提供することです。
  論文  参考訳（メタデータ） (2020-02-12T21:46:22Z)

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。