論文の概要: Transforming Redaction: How AI is Revolutionizing Data Protection
- arxiv url: http://arxiv.org/abs/2409.15308v1
- Date: Thu, 5 Sep 2024 03:54:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 20:05:48.770202
- Title: Transforming Redaction: How AI is Revolutionizing Data Protection
- Title（参考訳）: AIがデータ保護を革命させる方法
- Authors: Sida Peng, Ming-Jen Huang, Matt Wu, Jeremy Wei,
- Abstract要約: 文書の再アクションは、無許可のアクセスと開示から機密情報を保護するために、様々な分野において重要なプロセスである。
Adobe Acrobatのような従来の手動のリアクション手法は、労働集約的、エラーを起こし、時間を要する。
この研究では、従来の手動のリアクション、古典的な機械学習アルゴリズムを利用したリアクションツール、AI支援のリアクションツールを比較した。
- 参考スコア（独自算出の注目度）: 11.626057561212694
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Document redaction is a crucial process in various sectors to safeguard sensitive information from unauthorized access and disclosure. Traditional manual redaction methods, such as those performed using Adobe Acrobat, are labor-intensive, error-prone, and time-consuming. With the burgeoning volume of digital documents, the demand for more efficient and accurate redaction techniques is intensifying. This study presents the findings from a controlled experiment that compares traditional manual redaction, a redaction tool powered by classical machine learning algorithm, and AI-assisted redaction tools (iDox.ai Redact). The results indicate that iDox.ai Redact significantly outperforms manual methods, achieving higher accuracy and faster completion times. Conversely, the competitor product, classical machine learning algorithm and with necessitates manual intervention for certain sensitive data types, did not exhibit a statistically significant improvement over manual redaction. These findings suggest that while advanced AI technologies like iDox.ai Redact can substantially enhance data protection practices by reducing human error and improving compliance with data protection regulations, there remains room for improvement in AI tools that do not fully automate the redaction process. Future research should aim to enhance AI capabilities and explore their applicability across various document types and professional settings.
- Abstract（参考訳）: 文書の再アクションは、無許可のアクセスと開示から機密情報を保護するために、様々な分野において重要なプロセスである。
Adobe Acrobatのような従来の手動のリアクション手法は、労働集約的、エラーを起こし、時間を要する。
デジタルドキュメントの急増に伴い、より効率的で正確なリアクション技術への需要が高まっている。
本研究では、従来の手動リアクション、古典的機械学習アルゴリズムを利用したリアクションツール、AI支援リアクションツール(iDox.ai Redact)を比較した、制御された実験の結果を提示する。
その結果、iDox.ai Redactは手作業よりも優れ、精度が向上し、完成時間が短縮された。
逆に、競合する製品である古典的な機械学習アルゴリズムと、特定の機密データ型に対する手動介入を必要とする場合には、手動のリアクションよりも統計的に顕著な改善は示さなかった。
これらの結果は、iDox.ai Redactのような先進的なAI技術は、人間のエラーを減らし、データ保護規則への準拠を改善することによって、データ保護のプラクティスを大幅に強化することができるが、リアクションプロセスを完全に自動化しないAIツールの改善の余地は残っていることを示唆している。
将来の研究は、AI機能を強化し、さまざまなドキュメントタイプやプロフェッショナル設定で適用性を探ることを目的としている。
関連論文リスト
- Adaptation of XAI to Auto-tuning for Numerical Libraries [0.0]
説明可能なAI(XAI)技術は、AIモデル開発の合理化と、ユーザへのAI出力の説明の負担軽減を目的として、注目を集めている。
本研究は,2つの異なるプロセスに統合されたAIモデルのXAIに着目し,数値計算を行う。
論文 参考訳（メタデータ） (2024-05-12T09:00:56Z) - Layer Attack Unlearning: Fast and Accurate Machine Unlearning via Layer
Level Attack and Knowledge Distillation [21.587358050012032]
本稿では,階層攻撃アンラーニング(Layer attack unlearning)と呼ばれる,高速で斬新な機械学習パラダイムを提案する。
そこで本研究では, 試料を効率よく検出する部分PGDアルゴリズムを提案する。
また,教師から意思決定境界を確実に学習するために知識蒸留(KD)も活用する。
論文 参考訳（メタデータ） (2023-12-28T04:38:06Z) - Machine Learning Meets Advanced Robotic Manipulation [48.6221343014126]
本論文は、最先端技術と、実世界の操作タスクに適用された機械学習手法の最近の動向についてレビューする。
論文の残りの部分は、産業、医療、農業、宇宙、軍事、捜索救助など、さまざまな分野におけるML応用に費やされている。
論文 参考訳（メタデータ） (2023-09-22T01:06:32Z) - Read and Reap the Rewards: Learning to Play Atari with the Help of Instruction Manuals [69.76245723797368]
Read and Rewardは、Atariゲーム開発者がリリースしたマニュアルを読むことで、Atariゲーム上のRLアルゴリズムを高速化する。
各種RLアルゴリズムは,設計支援による性能向上とトレーニング速度の向上を実現している。
論文 参考訳（メタデータ） (2023-02-09T05:47:03Z) - Robot Policy Learning from Demonstration Using Advantage Weighting and
Early Termination [14.754297065772676]
オフラインおよびオンライントレーニングを用いたオフライン専門家データを活用するために,新しい手法を用いたアルゴリズムを提案する。
AWETは、4つの標準的なロボットタスクの最先端のベースラインと比較して改善され、有望なパフォーマンスを示す。
論文 参考訳（メタデータ） (2022-07-31T17:44:22Z) - Revisiting the Adversarial Robustness-Accuracy Tradeoff in Robot
Learning [121.9708998627352]
近年の研究では、現実的なロボット学習の応用において、対人訓練の効果が公平なトレードオフを起こさないことが示されている。
本研究は,ロボット学習におけるロバストネスと精度のトレードオフを再考し,最近のロバストトレーニング手法と理論の進歩により,現実のロボット応用に適した対人トレーニングが可能かどうかを解析する。
論文 参考訳（メタデータ） (2022-04-15T08:12:15Z) - Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or
Something Else? [93.91375268580806]
政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。
既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。
既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
論文 参考訳（メタデータ） (2021-11-09T13:30:34Z) - Informing Autonomous Deception Systems with Cyber Expert Performance
Data [0.0]
本稿では、逆強化学習(IRL)を用いて攻撃行動、攻撃行動の有用性、究極的にはサイバー詐欺が阻止できる決定ポイントの洞察を得る可能性について検討する。
例えば、Tularosaの研究は、攻撃者がよく使う現実世界の技術とツールの実験データを提供し、そこからコアデータを活用して、自律的なサイバー防衛システムに通知する。
論文 参考訳（メタデータ） (2021-08-31T20:28:09Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - A Framework for Efficient Robotic Manipulation [79.10407063260473]
単一のロボットアームがピクセルからスパースリワード操作ポリシーを学習できることを示します。
デモは10回しかなく、単一のロボットアームがピクセルからスパースリワード操作のポリシーを学習できることを示しています。
論文 参考訳（メタデータ） (2020-12-14T22:18:39Z) - Dataset Optimization Strategies for MalwareTraffic Detection [0.0]
本稿では,いくつかの最先端手法を活用・組み合わせた2つの新しいデータセット最適化手法を提案する。
第1のアプローチは、相互情報測度と感度向上に基づく特徴選択手法である。
2つ目は次元還元法に基づくオートエンコーダである。
論文 参考訳（メタデータ） (2020-09-23T19:27:22Z)
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。