Fugu-MT 論文翻訳(概要): Privacy Engineering From Principles to Practice: A Roadmap

論文の概要: Privacy Engineering From Principles to Practice: A Roadmap

arxiv url: http://arxiv.org/abs/2404.03442v1
Date: Thu, 4 Apr 2024 13:39:49 GMT
ステータス: 処理完了
システム内更新日: 2024-04-05 14:41:45.481758
Title: Privacy Engineering From Principles to Practice: A Roadmap
Title（参考訳）: 原則から実践へのプライバシエンジニアリング: ロードマップ
Authors: Frank Pallas, Katharina Koerner, Isabel Barberá, Jaap-Henk Hoepman, Meiko Jensen, Nandita Rao Narla, Nikita Samarin, Max-R. Ulbricht, Isabel Wagner, Kim Wuyts, Christian Zimmermann,
Abstract要約: プライバシーエンジニアリングは、業界や学界で勢いを増している。現実世界の情報システムへの導入を促進するためには、研究や実践において意識的に考慮すべき追加の側面が必要である。
参考スコア（独自算出の注目度）: 1.579574667577079
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Privacy engineering is gaining momentum in industry and academia alike. So far, manifold low-level primitives and higher-level methods and strategies have successfully been established. Still, fostering adoption in real-world information systems calls for additional aspects to be consciously considered in research and practice.
Abstract（参考訳）: プライバシーエンジニアリングは、業界やアカデミックでも勢いを増している。これまでのところ、多様体の低レベルプリミティブと高レベルメソッドと戦略が確立されている。それでも、現実世界の情報システムの採用を促進するためには、研究や実践において意識的に考慮すべき追加の側面が必要である。

関連論文リスト

Initial Insights on MLOps: Perception and Adoption by Practitioners [9.777475640906404]
MLOps(Machine Learning and Operations)ガイドラインがこの分野の主要なリファレンスとして登場した。 MLOpsガイドラインの導入にも拘わらず、その実装には懐疑論の程度がある。この研究は、MLOpsとその機械学習におけるイノベーションの次のフェーズへの影響について、より深い洞察を提供することを目的としている。
論文参考訳（メタデータ） (2024-08-01T11:08:29Z)
Exploring the landscape of large language models: Foundations, techniques, and challenges [8.042562891309414]
この記事では、コンテキスト内学習の力学と微調整アプローチのスペクトルについて光を当てている。革新的な強化学習フレームワークを通じて、LLMが人間の好みとより緊密に連携する方法について検討する。 LLMデプロイメントの倫理的側面は議論され、マインドフルで責任あるアプリケーションの必要性を浮き彫りにしている。
論文参考訳（メタデータ） (2024-04-18T08:01:20Z)
Application-Driven Innovation in Machine Learning [56.85396167616353]
機械学習におけるアプリケーション駆動研究のパラダイムについて述べる。このアプローチがメソッド駆動の作業と生産的に相乗効果を示す。このようなメリットにもかかわらず、マシンラーニングにおけるレビュー、採用、教育のプラクティスが、アプリケーション主導のイノベーションを後押しすることが多いことに気付きます。
論文参考訳（メタデータ） (2024-03-26T04:59:27Z)
Open-world Machine Learning: A Review and New Outlooks [83.6401132743407]
本稿では,新たなオープンワールド機械学習パラダイムを包括的に紹介することを目的としている。研究者がそれぞれの分野でより強力なAIシステムを構築するのを支援し、人工知能の開発を促進することを目的としている。
論文参考訳（メタデータ） (2024-03-04T06:25:26Z)
The current state of security -- Insights from the German software industry [0.0]
本稿では,本稿で論じられたセキュアなソフトウェア開発の主な考え方について概説する。実施に関するデータセットは、20社による質的なインタビュー調査を通じて収集される。
論文参考訳（メタデータ） (2024-02-13T13:05:10Z)
Towards a General Framework for Continual Learning with Pre-training [55.88910947643436]
本稿では,事前学習を用いた逐次到着タスクの連続学習のための一般的な枠組みを提案する。我々はその目的を,タスク内予測,タスク同一性推論,タスク適応予測という3つの階層的構成要素に分解する。本稿では,パラメータ効率細調整(PEFT)技術と表現統計量を用いて,これらのコンポーネントを明示的に最適化する革新的な手法を提案する。
論文参考訳（メタデータ） (2023-10-21T02:03:38Z)
Advancements in Federated Learning: Models, Methods, and Privacy [20.226938923269426]
フェデレートラーニング(FL)は、プライバシーとセキュリティの問題に対処するための有望なテクニックである。本稿では,関連研究の徹底的なレビューを行い,理論的・実践的両面からFLの背後にある重要な技術を深く掘り下げる。
論文参考訳（メタデータ） (2023-02-22T16:00:27Z)
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)
Constrained Reinforcement Learning for Robotics via Scenario-Based Programming [64.07167316957533]
DRLをベースとしたエージェントの性能を最適化し,その動作を保証することが重要である。本稿では,ドメイン知識を制約付きDRLトレーニングループに組み込む新しい手法を提案する。我々の実験は、専門家の知識を活用するために我々のアプローチを用いることで、エージェントの安全性と性能が劇的に向上することを示した。
論文参考訳（メタデータ） (2022-06-20T07:19:38Z)
Meta Learning for Natural Language Processing: A Survey [88.58260839196019]
ディープラーニングは自然言語処理(NLP)分野において主要な技術である。ディープラーニングには多くのラベル付きデータが必要です。メタ学習は、より良いアルゴリズムを学ぶためのアプローチを研究する機械学習の分野である。
論文参考訳（メタデータ） (2022-05-03T13:58:38Z)
Guided Uncertainty-Aware Policy Optimization: Combining Learning and Model-Based Strategies for Sample-Efficient Policy Learning [75.56839075060819]
従来のロボットのアプローチは、環境の正確なモデル、タスクの実行方法の詳細な説明、現在の状態を追跡するための堅牢な認識システムに依存している。強化学習アプローチは、タスクを記述するための報酬信号だけで、生の感覚入力から直接操作することができるが、非常にサンプル非効率で脆弱である。本研究では,ロボットの知覚・運動パイプラインにおける不正確さを克服できる一般的な手法を得るために,モデルに基づく手法の強みと学習に基づく手法の柔軟性を組み合わせる。
論文参考訳（メタデータ） (2020-05-21T19:47:05Z)

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。