論文の概要: From Community Network to Community Data: Towards Combining Data Pool and Data Cooperative for Data Justice in Rural Areas

• arxiv url: http://arxiv.org/abs/2503.05950v1
• Date: Fri, 07 Mar 2025 21:41:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:50:51.870028
• Title: From Community Network to Community Data: Towards Combining Data Pool and Data Cooperative for Data Justice in Rural Areas
• Title（参考訳）: コミュニティネットワークからコミュニティデータへ:農村におけるデータ正義のためのデータプールとデータ協力の融合を目指して
• Authors: Jean Louis Fendji Kedieng Ebongue,
• Abstract要約: 本研究では,農村部におけるコミュニティネットワーク(CN)からコミュニティデータへの移行について検討する。 データプールとデータコラボレーティブを組み合わせることで、データの正義と育成と、ただのAIエコシステムの実現に重点を置いている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: This study explores the shift from community networks (CNs) to community data in rural areas, focusing on combining data pools and data cooperatives to achieve data justice and foster and a just AI ecosystem. With 2.7 billion people still offline, especially in the Global South, addressing data justice is critical. While discussions related to data justice have evolved to include economic dimensions, rural areas still struggle with the challenge of being adequately represented in the datasets. This study investigates a Community Data Model (CDM) that integrates the simplicity of data pools with the structured organization of data cooperatives to generate local data for AI for good. CDM leverages CNs, which have proven effective in promoting digital inclusion, to establish a centralized data repository, ensuring accessibility through open data principles. The model emphasizes community needs, prioritizing local knowledge, education, and traditional practices, with an iterative approach starting from pilot projects. Capacity building is a core component of digital literacy training and partnership with educational institutions and NGOs. The legal and regulatory dimension ensures compliance with data privacy laws. By empowering rural communities to control and manage their data, the CDM fosters equitable access and participation and sustains local identity and knowledge. This approach can mitigate the challenges of data creation in rural areas and enhance data justice. CDM can contribute to AI by improving data quality and relevance, enabling rural areas to benefit from AI advancements.
• Abstract（参考訳）: 本研究では、データ・プールとデータ・コラボレーティブを組み合わせてデータ・ジャスティクスを実現し、単にAIのエコシステムを育むことに焦点を当て、コミュニティ・ネットワーク(CN)から農村部におけるコミュニティ・データへの移行について検討する。 2.7億人がまだオフラインであり、特にグローバル・サウスでは、データの正義に対処することが重要だ。 データ正義に関する議論は経済的な側面を含むように進化してきたが、農村部は依然としてデータセットで適切に表現されるという課題に苦慮している。 本研究では、データプールの単純さとデータ協調の構造化組織を統合し、AIのためのローカルデータを生成するコミュニティデータモデル(CDM)について検討する。 CDMはデジタルインクルージョンを促進する上で有効であることが証明されたCNを活用して、オープンデータ原則を通じてアクセシビリティを確保する集中型データレポジトリを確立する。 このモデルは、地元の知識、教育、伝統的なプラクティスを優先し、パイロットプロジェクトから反復的なアプローチでコミュニティのニーズを強調する。 キャパシティ・ビルディングは、デジタルリテラシー教育と教育機関やNGOとのパートナーシップの中核的な要素である。 法的および規制的な側面は、データのプライバシー法への準拠を保証する。 地方自治体にデータの管理と管理の権限を与えることで、CDMは公平なアクセスと参加を促進し、地域のアイデンティティと知識を維持する。 このアプローチは、農村部におけるデータ生成の課題を緩和し、データの公正性を高める。 CDMは、データ品質と関連性を改善し、農村部がAIの進歩から恩恵を受けられるようにすることで、AIに貢献することができる。

関連論文リスト

• Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
  CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。 高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。 CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
  論文  参考訳（メタデータ） (2025-01-17T17:51:22Z)
• Predicting Internet Connectivity in Schools: A Feasibility Study Leveraging Multi-modal Data and Location Encoders in Low-Resource Settings [1.7111728540102638]
  EOとMLを用いた学校インターネット接続予測に関する研究について述べる。 EOおよび地上データを用いたMLは, 精度, F1スコア, 偽陽性率において, 両国で最高の成績を示した。 我々の研究は、低リソース環境でのデータ駆動型デジタルインフラ開発を支援する実践的なアプローチを示します。
  論文  参考訳（メタデータ） (2024-12-13T20:20:29Z)
• EPIC: Enhancing Privacy through Iterative Collaboration [4.199844472131922]
  従来の機械学習技術は、中央集権的なデータ収集と処理を必要とする。 医療データを集中ストレージにプールする場合、プライバシ、オーナシップ、厳格な規制の問題が存在する。 フェデレートラーニング(FL)アプローチは、中央アグリゲータサーバと共有グローバルモデルを設定することで、そのような問題を克服する。
  論文  参考訳（メタデータ） (2024-11-07T20:10:34Z)
• Data-Centric AI in the Age of Large Language Models [51.20451986068925]
  本稿では,大規模言語モデル(LLM)に着目した,AI研究におけるデータ中心の視点を提案する。 本研究では,LLMの発達段階(事前学習や微調整など)や推論段階(文脈内学習など)において,データが有効であることを示す。 データを中心とした4つのシナリオを特定し、データ中心のベンチマークとデータキュレーション、データ属性、知識伝達、推論コンテキスト化をカバーします。
  論文  参考訳（メタデータ） (2024-06-20T16:34:07Z)
• CaPS: Collaborative and Private Synthetic Data Generation from Distributed Sources [5.898893619901382]
  分散データホルダから合成データの協調的かつプライベートな生成のためのフレームワークを提案する。 我々は信頼されたアグリゲータをセキュアなマルチパーティ計算プロトコルに置き換え、差分プライバシー(DP)を介してプライバシを出力する。 MWEM+PGMおよびAIMの最先端選択測度生成アルゴリズムに対するアプローチの適用性とスケーラビリティを実証する。
  論文  参考訳（メタデータ） (2024-02-13T17:26:32Z)
• Data Acquisition: A New Frontier in Data-centric AI [65.90972015426274]
  まず、現在のデータマーケットプレースを調査し、データセットに関する詳細な情報を提供するプラットフォームが不足していることを明らかにする。 次に、データプロバイダと取得者間のインタラクションをモデル化するベンチマークであるDAMチャレンジを紹介します。 提案手法の評価は,機械学習における効果的なデータ取得戦略の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-11-22T22:15:17Z)
• On Responsible Machine Learning Datasets with Fairness, Privacy, and Regulatory Norms [56.119374302685934]
  AI技術の信頼性に関する深刻な懸念があった。 機械学習とディープラーニングのアルゴリズムは、開発に使用されるデータに大きく依存する。 本稿では,責任あるルーブリックを用いてデータセットを評価するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-24T14:01:53Z)
• Benchmarking FedAvg and FedCurv for Image Classification Tasks [1.376408511310322]
  本稿では,同じフェデレーションネットワークにおけるデータの統計的不均一性の問題に焦点をあてる。 FedAvg、FedProx、Federated Curvature(FedCurv)など、いくつかのフェデレートラーニングアルゴリズムがすでに提案されている。 この研究の副産物として、FLコミュニティからのさらなる比較を容易にするために使用したデータセットの非IIDバージョンをリリースします。
  論文  参考訳（メタデータ） (2023-03-31T10:13:01Z)
• Data-centric AI: Perspectives and Challenges [51.70828802140165]
  データ中心AI(DCAI)は、モデル進歩からデータ品質と信頼性の確保への根本的なシフトを提唱している。 データ開発、推論データ開発、データメンテナンスの3つの一般的なミッションをまとめます。
  論文  参考訳（メタデータ） (2023-01-12T05:28:59Z)
• Representative & Fair Synthetic Data [68.8204255655161]
  公平性制約を自己監督学習プロセスに組み込むためのフレームワークを提示する。 私たちはuci成人国勢調査データセットの代表者および公正版を作成します。 我々は、代表的かつ公正な合成データを将来有望なビルディングブロックとみなし、歴史的世界ではなく、私たちが生きようとしている世界についてアルゴリズムを教える。
  論文  参考訳（メタデータ） (2021-04-07T09:19:46Z)
• Privacy Preservation in Federated Learning: An insightful survey from the GDPR Perspective [10.901568085406753]
  この記事は、フェデレーテッドラーニングに使用できる最先端のプライバシー技術に関する調査に特化している。 近年の研究では、FLにおけるデータの保持と計算は、プライバシ保証者にとって不十分であることが示されている。 これは、FLシステム内のパーティ間で交換されるMLモデルパラメータが、いくつかのプライバシ攻撃で悪用されるためである。
  論文  参考訳（メタデータ） (2020-11-10T21:41:25Z)

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。