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

• OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
  OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。 ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
  論文  参考訳（メタデータ） (2025-12-16T03:33:24Z)
• What's the next frontier for Data-centric AI? Data Savvy Agents [71.76058707995398]
  我々は、エージェントシステムの設計において、データに精通する能力が最優先すべきであると主張している。 本稿では,このビジョンを実現するための4つの重要な機能を提案する。プロアクティブデータ取得,ソフシフィケートデータ処理,インタラクティブテストデータ合成,連続的適応。
  論文  参考訳（メタデータ） (2025-11-02T17:09:29Z)
• 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)
• Self-consistent Deep Geometric Learning for Heterogeneous Multi-source Spatial Point Data Prediction [10.646376827353551]
  環境モニタリングや天然資源管理といった分野において,マルチソース空間データ予測が重要である。 この領域の既存のモデルはドメイン固有の性質のためにしばしば不足し、様々な情報源からの情報を統合する戦略が欠如している。 我々は,地中真理ラベルを頼らずに,様々な情報源からの情報を順に整列する,革新的なマルチソース空間点データ予測フレームワークを導入する。
  論文  参考訳（メタデータ） (2024-06-30T16:13:13Z)
• 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)
• 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)
• Data-SUITE: Data-centric identification of in-distribution incongruous examples [81.21462458089142]
  Data-SUITEは、ID(In-distriion)データの不連続領域を特定するためのデータ中心のフレームワークである。 我々は,Data-SUITEの性能保証とカバレッジ保証を実証的に検証する。
  論文  参考訳（メタデータ） (2022-02-17T18:58:31Z)
• A big data intelligence marketplace and secure analytics experimentation platform for the aviation industry [0.0]
  本稿では,新しい航空データおよびインテリジェンス市場を提供するICARUSビッグデータ対応プラットフォームを紹介する。 データ収集、データキュレーション、データ探索から、データ統合とデータ分析まで、完全なビッグデータライフサイクルを総括的に処理します。
  論文  参考訳（メタデータ） (2021-11-18T18:51:40Z)

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。