Fugu-MT 論文翻訳(概要): Protecting Data Buyer Privacy in Data Markets

論文の概要: Protecting Data Buyer Privacy in Data Markets

arxiv url: http://arxiv.org/abs/2407.09771v1
Date: Sat, 13 Jul 2024 04:45:06 GMT
ステータス: 処理完了
システム内更新日: 2024-07-16 20:58:50.132077
Title: Protecting Data Buyer Privacy in Data Markets
Title（参考訳）: データ市場におけるデータバイヤープライバシ保護
Authors: Minxing Zhang, Jian Pei,
Abstract要約: プライバシーに関する最大の懸念は、主にデータ所有者とサードパーティのプライバシーを守ることに集中している。本稿では、データバイヤーのプライバシ保護の複雑さをモデル化し、プライバシと購入コストの微妙なバランスを調査することによって、このギャップに対処する。
参考スコア（独自算出の注目度）: 27.092529976384238
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Data markets serve as crucial platforms facilitating data discovery, exchange, sharing, and integration among data users and providers. However, the paramount concern of privacy has predominantly centered on protecting privacy of data owners and third parties, neglecting the challenges associated with protecting the privacy of data buyers. In this article, we address this gap by modeling the intricacies of data buyer privacy protection and investigating the delicate balance between privacy and purchase cost. Through comprehensive experimentation, our results yield valuable insights, shedding light on the efficacy and efficiency of our proposed approaches.
Abstract（参考訳）: データマーケットは、データディスカバリ、交換、共有、データユーザとプロバイダ間の統合を促進する重要なプラットフォームとして機能する。しかし、プライバシに関する最大の懸念は、主にデータ所有者とサードパーティのプライバシを保護することに集中しており、データバイヤーのプライバシを保護することに関わる課題を無視している。本稿では、データバイヤーのプライバシ保護の複雑さをモデル化し、プライバシと購入コストの微妙なバランスを調査することによって、このギャップに対処する。総合的な実験を通じて,提案手法の有効性と有効性に光を当て,貴重な知見を得た。

関連論文リスト

Private, Augmentation-Robust and Task-Agnostic Data Valuation Approach for Data Marketplace [56.78396861508909]
PriArTaは、買い手の既存のデータセットと売り手のデータセットの分布の間の距離を計算するアプローチである。 PriArTaは通信効率が良く、買い手は各売り手からデータセット全体にアクセスすることなくデータセットを評価することができる。
論文参考訳（メタデータ） (2024-11-01T17:13:14Z)
Privacy-Preserving Data Management using Blockchains [0.0]
データプロバイダは、データ使用量の変化によって、既存のプライバシの好みをコントロールし、更新する必要がある。本稿では,データプロバイダがプライベートで機密性の高いデータを保存するためのブロックチェーンベースの方法論を提案する。
論文参考訳（メタデータ） (2024-08-21T01:10:39Z)
Collection, usage and privacy of mobility data in the enterprise and public administrations [55.2480439325792]
個人のプライバシーを守るためには、匿名化などのセキュリティ対策が必要である。本研究では,現場における実践の洞察を得るために,専門家によるインタビューを行った。我々は、一般的には最先端の差分プライバシー基準に準拠しない、使用中のプライバシー強化手法を調査した。
論文参考訳（メタデータ） (2024-07-04T08:29:27Z)
A Summary of Privacy-Preserving Data Publishing in the Local Setting [0.6749750044497732]
統計開示制御は、機密情報を匿名化して暴露するリスクを最小限にすることを目的としている。マイクロデータの復号化に使用される現在のプライバシ保存技術について概説し、様々な開示シナリオに適したプライバシ対策を掘り下げ、情報損失と予測性能の指標を評価する。
論文参考訳（メタデータ） (2023-12-19T04:23:23Z)
$\alpha$-Mutual Information: A Tunable Privacy Measure for Privacy Protection in Data Sharing [4.475091558538915]
本稿では, 有基の$alpha$-Mutual Informationを調整可能なプライバシ尺度として採用する。我々は、プライバシ保護を提供するためにオリジナルのデータを操作するための一般的な歪みに基づくメカニズムを定式化する。
論文参考訳（メタデータ） (2023-10-27T16:26:14Z)
Protecting User Privacy in Online Settings via Supervised Learning [69.38374877559423]
我々は、教師付き学習を活用する、オンラインプライバシ保護に対するインテリジェントなアプローチを設計する。ユーザのプライバシを侵害する可能性のあるデータ収集を検出してブロックすることにより、ユーザに対してある程度のディジタルプライバシを復元することが可能になります。
論文参考訳（メタデータ） (2023-04-06T05:20:16Z)
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)
Lessons from the AdKDD'21 Privacy-Preserving ML Challenge [57.365745458033075]
W3Cの顕著な提案では、過去のディスプレイの集計された、差別化されたプライベートなレポートを通じてのみ広告信号を共有することができる。この提案を広く研究するために、AdKDD'21でオープンなプライバシ保護機械学習チャレンジが行われた。重要な発見は、大量の集約されたデータの小さな集合が存在する場合の学習モデルは驚くほど効率的で安価であることである。
論文参考訳（メタデータ） (2022-01-31T11:09:59Z)
An Example of Privacy and Data Protection Best Practices for Biometrics Data Processing in Border Control: Lesson Learned from SMILE [0.9442139459221784]
データの誤用、個人のプライバシーの妥協、および/または承認されたデータの処理は不可逆である。これは部分的には、システム開発プロセスにおける設計によるデータ保護とプライバシの統合のための方法やガイダンスの欠如によるものである。データコントローラと開発者のためのガイダンスを提供するために、プライバシーとデータ保護のベストプラクティスの例を示す。
論文参考訳（メタデータ） (2022-01-10T15:34:43Z)
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)
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)

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。