論文の概要: Digital Privacy Everywhere

• arxiv url: http://arxiv.org/abs/2506.17269v1
• Date: Wed, 11 Jun 2025 09:25:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.843778
• Title: Digital Privacy Everywhere
• Title（参考訳）: デジタルプライバシー
• Authors: Paritosh Ranjan, Surajit Majumder, Prodip Roy,
• Abstract要約: Digital Privacy Everywhere (DPE) は、デジタルデバイスに対する独自のプライバシーポリシーを、事前に定義された物理的境界内で積極的に実施するために設計された包括的システムである。 DPEアーキテクチャには、集中管理コンソール、フィールド検証ユニット(FVU)、モバイルデバイス(EMMD)の執行モジュール、外部地球所有権サービス(EGOS)が含まれる。 このシステムは、地理的にシームレスなユーザエクスペリエンスと運用上のスケーラビリティを維持しながら、リアルタイムでプライバシコンプライアンスを保証する。
• 参考スコア（独自算出の注目度）: 0.17205106391379024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing proliferation of digital and mobile devices equipped with cameras, microphones, GPS, and other privacy invasive components has raised significant concerns for businesses operating in sensitive or policy restricted environments. Current solutions rely on passive enforcement, such as signage or verbal instructions, which are largely ineffective. This paper presents Digital Privacy Everywhere (DPE), a comprehensive and scalable system designed to actively enforce custom privacy policies for digital devices within predefined physical boundaries. The DPE architecture includes a centralized management console, field verification units (FVUs), enforcement modules for mobile devices (EMMDs), and an External Geo Ownership Service (EGOS). These components collaboratively detect, configure, and enforce privacy settings such as disabling cameras, microphones, or radios across various premises like theaters, hospitals, financial institutions, and educational facilities. The system ensures privacy compliance in real time while maintaining a seamless user experience and operational scalability across geographies.
• Abstract（参考訳）: カメラ、マイク、GPS、その他のプライバシーを侵害するコンポーネントを備えたデジタルデバイスやモバイルデバイスの普及は、機密性やポリシーに制限された環境で運用する企業にとって大きな懸念を引き起こしている。 現在の解決策は、手話や口頭での指示のような受動的執行に依存しており、ほとんど効果がない。 本稿では,デジタルデバイスに対する独自のプライバシポリシを,事前に定義された物理的境界内で積極的に実施するために設計された,包括的でスケーラブルなシステムであるDPEについて述べる。 DPEアーキテクチャには、集中管理コンソール、フィールド検証ユニット(FVU)、モバイルデバイス(EMMD)の執行モジュール、外部地球所有権サービス(EGOS)が含まれる。 これらのコンポーネントは、カメラ、マイク、ラジオなどのプライバシー設定を、劇場、病院、金融機関、教育施設など様々な施設で共同で検出し、設定し、強制する。 このシステムは、地理的にシームレスなユーザエクスペリエンスと運用上のスケーラビリティを維持しながら、リアルタイムでプライバシコンプライアンスを保証する。

関連論文リスト

• PWC-MoE: Privacy-Aware Wireless Collaborative Mixture of Experts [59.5243730853157]
  クラウドサーバにホストされる大規模言語モデル(LLM)は、ローカルデバイス上の計算とストレージの負担を軽減するが、プライバシの懸念を高める。 小規模言語モデル(SLM)は、ローカルで実行されるためプライバシーが向上するが、複雑なタスクではパフォーマンスが制限される。 帯域幅制約下での計算コスト,性能,プライバシ保護のバランスをとるために,プライバシを意識したPWC-MoE(PWC-MoE)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:27:07Z)
• Privacy is All You Need: Revolutionizing Wearable Health Data with Advanced PETs [0.0]
  本稿では,ウェアラブルデバイスのためのプライバシ・エンハンシング・テクノロジー(PET)フレームワークを提案する。 フェデレートされた学習、軽量な暗号手法、選択的にデプロイされたブロックチェーン技術を統合する。 当社のフレームワークは、データユーティリティとパフォーマンスを維持しながら、プライバシのリスクを最大70%削減します。
  論文  参考訳（メタデータ） (2025-03-05T12:01:22Z)
• Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
  複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。 本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
  論文  参考訳（メタデータ） (2024-10-25T18:11:02Z)
• Activity Recognition on Avatar-Anonymized Datasets with Masked Differential Privacy [64.32494202656801]
  プライバシを保存するコンピュータビジョンは、機械学習と人工知能において重要な問題である。 本稿では,ビデオデータセット中の感性のある被験者を文脈内の合成アバターに置き換える匿名化パイプラインを提案する。 また、匿名化されていないがプライバシーに敏感な背景情報を保護するため、MaskDPを提案する。
  論文  参考訳（メタデータ） (2024-10-22T15:22:53Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• Confidential Federated Computations [16.415880530250092]
  Federated Learning and Analytics (FLA)は、デバイス上の機密データを処理するためのテクノロジプラットフォームによって広く採用されている。 FLAシステムは必ずしも差分プライバシー(DP)のような匿名化機構を必要としない 本稿では,サーバサイドの計算の秘密性を確保するために,TEEとオープンソースを活用した新しいシステムアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-04-16T17:47:27Z)
• Local Privacy-preserving Mechanisms and Applications in Machine Learning [0.21268495173320798]
  ローカル微分プライバシ(LDP)は、データ収集と処理の段階において、個々のユーザに対して強力なプライバシ保護を提供する。 プライバシ保護メカニズムの主要な応用の1つは、機械学習である。
  論文  参考訳（メタデータ） (2024-01-08T22:29:00Z)
• Fortress: Securing IoT Peripherals with Trusted Execution Environments [2.2476099815732518]
  IoT(Internet of Things)デバイスは、マイクロフォンやカメラなどの周辺入力を通じて、オーディオや視覚データなどの機密情報を収集することが多い。 信頼された実行環境(TEE)のセキュアなカーネル空間において、周辺I/Oメモリ領域を分離することにより、IoTベースのシステムのプライバシを高めるための汎用設計を提案する。 その後、センシティブな周辺データはユーザ空間TEEに安全に転送され、クラウドなど第三者に中継する前に難読化機構を適用することができる。
  論文  参考訳（メタデータ） (2023-12-05T07:12:58Z)

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。