論文の概要: Empowering Digital Agriculture: A Privacy-Preserving Framework for Data Sharing and Collaborative Research

• arxiv url: http://arxiv.org/abs/2506.20872v1
• Date: Wed, 25 Jun 2025 22:46:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.908412
• Title: Empowering Digital Agriculture: A Privacy-Preserving Framework for Data Sharing and Collaborative Research
• Title（参考訳）: デジタル農業の強化 - データ共有と協調研究のためのプライバシ保護フレームワーク
• Authors: Osama Zafar, Rosemarie Santa González, Mina Namazi, Alfonso Morales, Erman Ayday,
• Abstract要約: データ駆動農業は、収穫量、病気の回復力、長期的な土壌の健全性を改善する可能性がある。 しかし、価格の悪さ、差別、資源操作といったプライバシー上の懸念により、農家はデータの共有を妨げている。 研究・開発のためのセキュアなデータ共有と協調を可能にするプライバシー保護フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.6000462052866455
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data-driven agriculture, which integrates technology and data into agricultural practices, has the potential to improve crop yield, disease resilience, and long-term soil health. However, privacy concerns, such as adverse pricing, discrimination, and resource manipulation, deter farmers from sharing data, as it can be used against them. To address this barrier, we propose a privacy-preserving framework that enables secure data sharing and collaboration for research and development while mitigating privacy risks. The framework combines dimensionality reduction techniques (like Principal Component Analysis (PCA)) and differential privacy by introducing Laplacian noise to protect sensitive information. The proposed framework allows researchers to identify potential collaborators for a target farmer and train personalized machine learning models either on the data of identified collaborators via federated learning or directly on the aggregated privacy-protected data. It also allows farmers to identify potential collaborators based on similarities. We have validated this on real-life datasets, demonstrating robust privacy protection against adversarial attacks and utility performance comparable to a centralized system. We demonstrate how this framework can facilitate collaboration among farmers and help researchers pursue broader research objectives. The adoption of the framework can empower researchers and policymakers to leverage agricultural data responsibly, paving the way for transformative advances in data-driven agriculture. By addressing critical privacy challenges, this work supports secure data integration, fostering innovation and sustainability in agricultural systems.
• Abstract（参考訳）: データ駆動農業は、技術とデータを農業の実践に統合し、収穫量、病気の回復力、長期的な土壌の健康を改善する可能性がある。 しかし、価格の悪さや差別、資源操作といったプライバシー上の懸念は、農家がデータを共有することを妨げている。 この障壁に対処するために、プライバシーリスクを軽減しつつ、研究と開発のためのセキュアなデータ共有とコラボレーションを可能にするプライバシー保護フレームワークを提案する。 このフレームワークは、機密情報を保護するためにラプラシアンノイズを導入することで、次元削減技術(主成分分析(PCA)など)と差分プライバシーを組み合わせる。 提案したフレームワークにより、研究者はターゲットファーマーの潜在的な協力者を特定し、特定された協力者のデータをフェデレートラーニングまたは集約されたプライバシ保護データで直接トレーニングすることができる。 また、農家は類似性に基づいて、潜在的な協力者を特定できる。 我々はこれを実生活のデータセットで検証し、敵攻撃に対する堅牢なプライバシー保護と集中型システムに匹敵するユーティリティパフォーマンスを実証した。 我々は,この枠組みが農家間の協力を促進することを実証し,研究者がより広い研究目標を追求するのを手助けする。 このフレームワークを採用することで、研究者や政策立案者が農業データを責任を持って活用し、データ駆動型農業における変革的な進歩の道を開くことができる。 重要なプライバシー問題に対処することで、この作業はセキュアなデータ統合をサポートし、農業システムにおけるイノベーションと持続可能性を促進する。

関連論文リスト

• Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
  我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。 モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
  論文  参考訳（メタデータ） (2025-04-27T04:26:02Z)
• 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)
• Privacy-Preserving Data Linkage Across Private and Public Datasets for Collaborative Agriculture Research [1.6000462052866455]
  デジタル農業は、価格の悪さ、価格差別、保険コストの高騰、資源の操作といったプライバシー上の懸念を提起する。 本研究では,デジタル農業における安全なデータ共有を実現するとともに,これらのリスクに対処するプライバシ保護フレームワークを提案する。 我々のフレームワークは、プライバシーを保護しながら包括的なデータ分析を可能にする。
  論文  参考訳（メタデータ） (2024-09-09T21:07:13Z)
• Privacy-Preserving Collaborative Genomic Research: A Real-Life Deployment and Vision [2.7968600664591983]
  本稿ではLynx.MDと共同で開発されたゲノム研究のためのプライバシ保護フレームワークを提案する。 このフレームワークは、重要なサイバーセキュリティとプライバシの課題に対処し、プライバシ保護によるゲノムデータの共有と分析を可能にする。 Lynx.MD内でのフレームワークの実装には、ゲノムデータをバイナリ形式に符号化し、制御された摂動技術を通じてノイズを適用することが含まれる。
  論文  参考訳（メタデータ） (2024-07-12T05:43:13Z)
• Generative AI for Secure and Privacy-Preserving Mobile Crowdsensing [74.58071278710896]
  生成AIは、学術分野と産業分野の両方から多くの注目を集めている。 セキュアでプライバシ保護のモバイルクラウドセンシング(SPPMCS)は、データ収集/取得に広く応用されている。
  論文  参考訳（メタデータ） (2024-05-17T04:00:58Z)
• Privacy-Preserving Data Sharing in Agriculture: Enforcing Policy Rules for Secure and Confidential Data Synthesis [0.0]
  農業におけるビッグデータの利用には、センサー、衛星、農夫の調査など、さまざまな情報源のデータ収集と分析が必要である。 このデータのセキュリティと参加者のプライバシに関して、大きな懸念がある。 プライバシー保護データ共有のために、ディープラーニングに基づく合成データ生成が提案されている。 本稿ではプライバシ保護データ生成アルゴリズムにおけるプライバシポリシルールの強化のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-27T00:12:47Z)
• 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)
• Assessing Scientific Contributions in Data Sharing Spaces [64.16762375635842]
  本稿では、研究者の科学的貢献を測定するブロックチェーンベースのメトリクスであるSCIENCE-indexを紹介する。 研究者にデータ共有のインセンティブを与えるため、SCIENCE-indexはデータ共有パラメータを含むように拡張されている。 本モデルは, 地理的に多様な研究者の出力分布とh-indexの分布を比較して評価する。
  論文  参考訳（メタデータ） (2023-03-18T19:17:47Z)
• "You Can't Fix What You Can't Measure": Privately Measuring Demographic Performance Disparities in Federated Learning [78.70083858195906]
  グループメンバーシップのプライバシを保護しつつ,グループ間でのパフォーマンスの差異を測定するための,差分プライベートなメカニズムを提案する。 我々の結果は、以前の研究の示唆に反して、プライバシ保護は必ずしもフェデレーションモデルの性能格差の特定と矛盾しているわけではないことを示している。
  論文  参考訳（メタデータ） (2022-06-24T09:46:43Z)

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。