論文の概要: Trust and Reputation in Data Sharing: A Survey
- arxiv url: http://arxiv.org/abs/2508.14028v1
- Date: Tue, 19 Aug 2025 17:39:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-20 15:36:32.034997
- Title: Trust and Reputation in Data Sharing: A Survey
- Title(参考訳): データ共有における信頼と評価 - 調査より
- Authors: Wenbo Wu, George Konstantinidis,
- Abstract要約: データプロバイダとデータコンシューマの信頼は、データ共有イニシアチブを実現する上で最も重要な要素のひとつだと考えられている。
データ感度、プライバシ侵害、誤用に関する懸念は、さまざまなドメイン間でデータを共有することの難しさに寄与する。
信頼性、信頼性、評判を計測、把握、管理するための技術とアルゴリズムのソリューションが増えている。
- 参考スコア(独自算出の注目度): 0.276240219662896
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data sharing is the fuel of the galloping artificial intelligence economy, providing diverse datasets for training robust models. Trust between data providers and data consumers is widely considered one of the most important factors for enabling data sharing initiatives. Concerns about data sensitivity, privacy breaches, and misuse contribute to reluctance in sharing data across various domains. In recent years, there has been a rise in technological and algorithmic solutions to measure, capture and manage trust, trustworthiness, and reputation in what we collectively refer to as Trust and Reputation Management Systems (TRMSs). Such approaches have been developed and applied to different domains of computer science, such as autonomous vehicles, or IoT networks, but there have not been dedicated approaches to data sharing and its unique characteristics. In this survey, we examine TRMSs from a data-sharing perspective, analyzing how they assess the trustworthiness of both data and entities across different environments. We develop novel taxonomies for system designs, trust evaluation framework, and evaluation metrics for both data and entity, and we systematically analyze the applicability of existing TRMSs in data sharing. Finally, we identify open challenges and propose future research directions to enhance the explainability, comprehensiveness, and accuracy of TRMSs in large-scale data-sharing ecosystems.
- Abstract(参考訳): データ共有は、堅牢なモデルをトレーニングするための多様なデータセットを提供する、巨大な人工知能経済の燃料である。
データプロバイダとデータコンシューマの信頼は、データ共有イニシアチブを実現する上で最も重要な要素のひとつだと考えられている。
データ感度、プライバシ侵害、誤用に関する懸念は、さまざまなドメイン間でデータを共有することの難しさに寄与する。
近年,信頼度・信頼度・評判を計測・把握・管理する技術・アルゴリズム的ソリューションが,信頼度・評価管理システム(TRMS)として総称されている。
このようなアプローチは、自動運転車やIoTネットワークなど、コンピュータサイエンスのさまざまな分野に開発され、適用されてきたが、データ共有とそのユニークな特徴に対する専用のアプローチは存在していない。
本研究では,データ共有の観点からTRMSを検証し,異なる環境におけるデータとエンティティの信頼性を評価する方法について分析する。
我々は,システム設計,信頼評価フレームワーク,およびデータとエンティティの両方に対する評価指標を新たに開発し,データ共有における既存のTRMSの適用性を体系的に分析する。
最後に、オープンな課題を特定し、大規模データ共有エコシステムにおけるTRMSの説明可能性、包括性、精度を高めるための今後の研究方向を提案する。
関連論文リスト
- Collaborative Perception Datasets for Autonomous Driving: A Review [9.498615656347264]
共同認識は、自律運転における認識精度、安全性、堅牢性を高める可能性から、学術や産業からの関心が高まりつつある。
多くの協調認識データセットが登場し、協調パラダイム、センサー構成、データソース、アプリケーションシナリオが変化している。
協調認識データセットに焦点を当てた最初の包括的なレビューとして、この作業は、多次元的な観点から既存のリソースをレビューし、比較する。
論文 参考訳(メタデータ) (2025-04-17T06:49:21Z) - 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) - Collect, Measure, Repeat: Reliability Factors for Responsible AI Data
Collection [8.12993269922936]
AIのデータ収集は責任ある方法で行うべきだと我々は主張する。
本稿では,データ収集をメトリクスの集合でガイドするResponsible AI(RAI)手法を提案する。
論文 参考訳(メタデータ) (2023-08-22T18:01:27Z) - DBFed: Debiasing Federated Learning Framework based on
Domain-Independent [15.639705798326213]
本稿では,ドメイン非依存に基づくデバイアス学習フレームワークを提案する。これは,クライアント側トレーニング中に機密属性を明示的に符号化することで,モデルバイアスを緩和する。
本稿では,3つの実データセットについて実験を行い,精度と公平性の5つの評価指標を用いてモデルの効果を定量的に評価する。
論文 参考訳(メタデータ) (2023-07-10T14:39:57Z) - 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)
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。