論文の概要: Enhancing Trust in Inter-Organisational Data Sharing: Levels of Assurance for Data Trustworthiness

• arxiv url: http://arxiv.org/abs/2503.24149v1
• Date: Mon, 31 Mar 2025 14:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 19:35:57.446925
• Title: Enhancing Trust in Inter-Organisational Data Sharing: Levels of Assurance for Data Trustworthiness
• Title（参考訳）: 組織間データ共有における信頼の強化:データ信頼性の保証レベル
• Authors: Florian Zimmer, Janosch Haber, Mayuko Kaneko,
• Abstract要約: データレベルでの信頼性向上対策,すなわちデータの信頼性について検討することを目的とする。 既存のデータ信頼性向上ソリューションは、組織間データ共有の領域の要件を満たしていないことがわかった。 この研究は、データ信頼性の保証の新たなレベルを提案する。
• 参考スコア（独自算出の注目度）: 1.0221627833426994
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As data is increasingly acknowledged as a highly valuable asset, much effort has been put into investigating inter-organisational data sharing, aiming at utilising the value of formerly unused data. Moreover, most researchers agree, that trust between actors is key for successful data sharing activities. However, existing research oftentimes focus on trust from a data provider perspective. Therefore, our work highlights the unbalanced view of trust, addressing it from a data consumer perspective. More specifically, our aim is to investigate trust enhancing measures on a data level, that is data trustworthiness. We found, that existing data trustworthiness enhancing solutions do not meet the requirements of the domain of inter-organisational data sharing. Therefore, our study addresses this gap. Conducting a rigorous design science research approach, this work proposes a new Levels of Assurance for Data Trustworthiness artifact. Built on existing artifacts, we demonstrate, how it addresses the identified challenges within the domain appropriately. We found that our novel approach requires more work to be suitable for adoption. Still, we are confident that our solution can increase consumer trust. We conclude by contributing to the body of design knowledge and emphasise the need for more attention to be put into consumer trust.
• Abstract（参考訳）: データはますます価値の高い資産として認識されているため、以前は使われていなかったデータの価値を活用すべく、組織間データ共有の調査に多くの努力が注がれている。 さらに、ほとんどの研究者はアクター間の信頼がデータ共有活動の成功の鍵であることに同意している。 しかし、既存の研究はしばしばデータプロバイダの観点から信頼に焦点を当てる。 したがって、我々の研究は信頼のバランスの取れない視点を強調し、データ消費者の観点から対処する。 具体的には、データレベルの信頼性向上対策、すなわちデータ信頼性について検討することを目的とする。 既存のデータ信頼性向上ソリューションは、組織間データ共有の領域の要件を満たしていないことがわかった。 そこで本研究では,このギャップに対処する。 厳格な設計科学研究アプローチを実践し、データ信頼性の新たな保証レベルを提案する。 既存の成果物に基づいて構築され、ドメイン内の特定課題に適切に対処する方法を実証します。 私たちの新しいアプローチでは、採用に適した作業がもっと必要です。 それでも、私たちのソリューションが消費者の信頼を増すと確信しています。 設計知識の体系に貢献し、消費者信頼により多くの注意を払わなければならないことを強調することで、私たちは結論付けます。

関連論文リスト

• Bridging the Data Gap in AI Reliability Research and Establishing DR-AIR, a Comprehensive Data Repository for AI Reliability [4.769924694900377]
  AI信頼性の研究における大きな課題は、特に学界の人々にとって、利用可能なAI信頼性データが不足していることである。 本稿では、利用可能なAI信頼性データの総合的なレビューを行い、AI信頼性データのためのデータレポジトリであるDR-AIRを確立する。
  論文  参考訳（メタデータ） (2025-02-17T23:50:36Z)
• Privacy-Preserving Dataset Combination [1.9168342959190845]
  我々はSecureKLについて紹介する。SecureKLはプライバシー保護のためのフレームワークで、機密情報を漏らさずに有益なデータパートナーシップを特定できる。 実世界の病院データを用いた実験では、SecureKLは、モデルパフォーマンスを改善する有益なデータパートナーシップをうまく識別する。 これらの結果は、プライバシ保護データコラボレーションが、ハイテイクドメインにおける機械学習アプリケーションを前進させる可能性を示している。
  論文  参考訳（メタデータ） (2025-02-09T03:54:17Z)
• Anomaly Detection in Double-entry Bookkeeping Data by Federated Learning System with Non-model Sharing Approach [3.827294988616478]
  異常検出は財務監査において不可欠であり、効果的な検出には複数の組織から大量のデータを取得する必要があることが多い。 本研究では,モデル学習を単一のコミュニケーションラウンドに合理化するために,データコラボレーション(DC)分析を用いた新しいフレームワークを提案する。 この結果は,人工知能による監査の大幅な進歩を示し,高セキュリティ領域におけるFL手法の可能性を強調した。
  論文  参考訳（メタデータ） (2025-01-22T08:53:12Z)
• A Customer Level Fraudulent Activity Detection Benchmark for Enhancing Machine Learning Model Research and Evaluation [0.4681661603096334]
  本研究では,顧客レベルの不正検出に特化して設計された構造化データセットを含むベンチマークを提案する。 このベンチマークは、ユーザの機密性を確保するために厳格なプライバシーガイドラインに準拠しているだけでなく、顧客中心の機能をカプセル化することによって、豊富な情報ソースを提供する。
  論文  参考訳（メタデータ） (2024-04-23T04:57:44Z)
• 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)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)
• Algorithmic Fairness Datasets: the Story so Far [68.45921483094705]
  データ駆動アルゴリズムは、人々の幸福に直接影響し、批判的な決定をサポートするために、さまざまな領域で研究されている。 研究者のコミュニティは、既存のアルゴリズムの株式を調査し、新しいアルゴリズムを提案し、歴史的に不利な人口に対する自動意思決定のリスクと機会の理解を深めてきた。 公正な機械学習の進歩はデータに基づいており、適切に文書化された場合にのみ適切に使用できる。 残念なことに、アルゴリズムフェアネスコミュニティは、特定のリソース(オパシティ)に関する情報の不足と利用可能な情報の分散(スパーシティ)によって引き起こされる、集合的なデータドキュメント負債に悩まされている。
  論文  参考訳（メタデータ） (2022-02-03T17:25:46Z)
• Personalized multi-faceted trust modeling to determine trust links in social media and its potential for misinformation management [61.88858330222619]
  ソーシャルメディアにおけるピア間の信頼関係を予測するためのアプローチを提案する。 本稿では,データ駆動型多面信頼モデルを提案する。 信頼を意識したアイテムレコメンデーションタスクで説明され、提案したフレームワークを大規模なYelpデータセットのコンテキストで評価する。
  論文  参考訳（メタデータ） (2021-11-11T19:40:51Z)
• Trustworthy Transparency by Design [57.67333075002697]
  本稿では,ユーザ信頼とエクスペリエンスに関する研究を取り入れた,ソフトウェア設計のための透明性フレームワークを提案する。 私たちのフレームワークは、その設計に透明性を取り入れたソフトウェアの開発を可能にします。
  論文  参考訳（メタデータ） (2021-03-19T12:34:01Z)
• Where Does Trust Break Down? A Quantitative Trust Analysis of Deep Neural Networks via Trust Matrix and Conditional Trust Densities [94.65749466106664]
  本稿では,新しい信頼量化戦略である信頼行列の概念を紹介する。 信頼行列は、所定のアクター・オークル回答シナリオに対して期待される質問・回答信頼を定義する。 我々は、条件付き信頼密度の概念により、信頼密度の概念をさらに拡張する。
  論文  参考訳（メタデータ） (2020-09-30T14:33:43Z)

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。