論文の概要: An Empirical Analysis of Google Play Data Safety Disclosures: A Consistency Study of Privacy Indicators in Mobile Gaming Apps

• arxiv url: http://arxiv.org/abs/2603.23935v1
• Date: Wed, 25 Mar 2026 04:50:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.134094
• Title: An Empirical Analysis of Google Play Data Safety Disclosures: A Consistency Study of Privacy Indicators in Mobile Gaming Apps
• Title（参考訳）: Google Playのデータ安全性開示に関する実証分析:モバイルゲームアプリにおけるプライバシ指標の一貫性の検討
• Authors: Bakheet Aljedaani,
• Abstract要約: 本研究は,Android Application Packages (APKs) から抽出した開発者報告データ安全性開示と可観測性プライバシ指標との整合性について検討する。 その結果、プライバシーカテゴリーによってさまざまなレベルの合意が得られた。 これらの知見は、現在の市場透明性メカニズムの信頼性の限界を浮き彫りにしている。
• 参考スコア（独自算出の注目度）: 0.40611352512781873
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The Google Play marketplace has introduced the Data Safety section to improve transparency regarding how mobile applications (apps) collect, share, and protect user data. This mechanism requires developers to disclose privacy and security-related practices. However, the reliability of these disclosures remains dependent on developer self-reporting, raising concerns about their accuracy. This study investigates the consistency between developer-reported Data Safety disclosures and observable privacy indicators extracted from Android Application Packages (APKs). An empirical analysis was conducted on a dataset of 41 mobile gaming apps. A static analysis approach was used to extract key privacy indicators from APK files, including device IDs, data sharing, personal information access, and location access. These indicators were systematically compared with the corresponding disclosures reported in the Google Play Data Safety labels using a structured consistency evaluation framework. The results revealed varying levels of agreement across privacy categories. Device ID disclosures demonstrated relatively high consistency (87.8%), whereas other indicators exhibited substantial mismatches. Location-related disclosures showed the highest inconsistency rate (56.1%), followed by personal information and data sharing. Comparative analysis between children-oriented and general-audience apps revealed similar mismatch patterns. Also, Chi-square statistical tests indicate that these differences are not statistically significant, suggesting that disclosure inconsistencies are not associated with app category but instead reflect broader ecosystem-level challenges. These findings highlight limitations in the reliability of current marketplace transparency mechanisms and emphasize the need for improved validation and verification approaches to ensure accurate privacy reporting in mobile app ecosystems.
• Abstract（参考訳）: Google Playマーケットプレイスは、モバイルアプリケーション(アプリ)がユーザデータを収集、共有、保護する方法に関する透明性を改善するために、Data Safetyセクションを導入した。 このメカニズムでは、開発者はプライバシとセキュリティ関連のプラクティスを公開する必要がある。 しかしながら、これらの開示の信頼性は開発者による自己報告に依存しており、その正確性に対する懸念が高まる。 本研究では,Android Application Packages (APKs) から抽出した,開発者報告データ安全開示と可観測性のあるプライバシ指標との整合性について検討した。 41のモバイルゲームアプリのデータセット上で実験分析を行った。 デバイスID、データ共有、個人情報アクセス、位置情報アクセスを含むAPKファイルから重要なプライバシインジケータを抽出するために、静的分析アプローチが使用された。 これらの指標は、構造化された一貫性評価フレームワークを使用して、Google Play Data Safetyラベルで報告された対応する開示と体系的に比較された。 その結果、プライバシーカテゴリーによってさまざまなレベルの合意が得られた。 デバイスIDの開示は比較的高い一貫性(87.8%)を示し、他の指標ではかなりのミスマッチを示した。 位置情報関連の開示は、最も不整合率(56.1%)が高く、続いて個人情報とデータ共有が続いた。 子ども向けアプリと一般オーディエンスアプリの比較分析では,類似のミスマッチパターンがみられた。 また、Chi-square統計テストでは、これらの違いは統計的に有意ではないことが示されており、開示の不整合はアプリカテゴリに関連せず、より広範なエコシステムレベルの課題を反映していることが示唆されている。 これらの発見は、現在のマーケットプレース透明性メカニズムの信頼性の限界を強調し、モバイルアプリエコシステムにおける正確なプライバシレポートを保証するための、バリデーションと検証アプローチの改善の必要性を強調している。

関連論文リスト

• PrivPRISM: Automatically Detecting Discrepancies Between Google Play Data Safety Declarations and Developer Privacy Policies [8.052271364177988]
  自己宣言的な開示は、実際のデータプラクティスについてユーザを非難する、完全なプライバシポリシと矛盾することが多い。 エンコーダとデコーダ言語モデルを組み合わせて,プライバシポリシから詳細なデータプラクティスを抽出し比較する,堅牢なフレームワークであるPrivPRISMを紹介した。 以上の結果から,汎用プライバシポリシの広範な再利用,曖昧/矛盾文の再利用,1億回以上ダウンロードされた著名なアプリの隠れリスクなど,システム上の課題が明らかになった。
  論文  参考訳（メタデータ） (2026-03-10T05:33:40Z)
• SynQP: A Framework and Metrics for Evaluating the Quality and Privacy Risk of Synthetic Data [4.73374389278596]
  合成データ生成におけるプライバシーベンチマークのためのオープンフレームワークであるSynQPを紹介する。 また、機械学習モデルの確率的性質を考慮に入れたプライバシー指標の必要性も強調します。 私たちの仕事は、プライバシー評価の透明性と信頼性を向上させる重要なツールを提供します。
  論文  参考訳（メタデータ） (2026-01-17T17:51:14Z)
• Privacy on the Fly: A Predictive Adversarial Transformation Network for Mobile Sensor Data [32.36355095752335]
  本稿では,歴史的信号を利用したリアルタイムなプライバシ保護フレームワークを提案し,対人的摂動を積極的に生成する。 2つのデータセットの実験では、PATNはプライバシ推論モデルのパフォーマンスを著しく低下させる。
  論文  参考訳（メタデータ） (2025-11-10T15:57:17Z)
• FedGPS: Statistical Rectification Against Data Heterogeneity in Federated Learning [103.45987800174724]
  フェデレートラーニング(FL)は、データ不均一(data heterogeneity)として知られる重要な課題に直面し、モデルの性能と収束を損なう。 統計分布と勾配情報をシームレスに統合する新しいフレームワークである textbfFedGPS を提案する。
  論文  参考訳（メタデータ） (2025-10-23T06:10:11Z)
• DATABench: Evaluating Dataset Auditing in Deep Learning from an Adversarial Perspective [70.77570343385928]
  内的特徴(IF)と外的特徴(EF)(監査のための技術導入)に依存した既存手法の分類を新たに導入する。 回避攻撃(evasion attack)は、データセットの使用を隠蔽するために設計されたもので、偽造攻撃(forgery attack)は、未使用のデータセットを誤って含んでいることを意図している。 さらに,既存手法の理解と攻撃目標に基づいて,回避のための分離・除去・検出,偽造の逆例に基づく攻撃方法など,系統的な攻撃戦略を提案する。 私たちのベンチマークであるData dataBenchは、17の回避攻撃、5の偽攻撃、9の攻撃で構成されています。
  論文  参考訳（メタデータ） (2025-07-08T03:07:15Z)
• Quantitative Auditing of AI Fairness with Differentially Private Synthetic Data [0.30693357740321775]
  AIシステムの公正監査はバイアスを特定し定量化することができる。 現実世界のデータを使った従来の監査は、セキュリティとプライバシーの懸念を引き起こす。 本稿では,AIシステムの公正性を評価するために,微分プライベートな合成データを活用するフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-30T13:36:27Z)
• User Interaction Data in Apps: Comparing Policy Claims to Implementations [0.0]
  我々は、ポリシークレームとデータ収集手法の整合性を評価するために、静的解析手法を用いて、さまざまなカテゴリにまたがるトップ100アプリを分析した。 我々の調査結果は、データ収集における透明性の欠如と、それに伴う再識別のリスクを強調し、ユーザのプライバシと信頼に関する懸念を高めている。
  論文  参考訳（メタデータ） (2023-12-05T12:11:11Z)
• 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)
• DAPPER: Label-Free Performance Estimation after Personalization for Heterogeneous Mobile Sensing [95.18236298557721]
  DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。 実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
  論文  参考訳（メタデータ） (2021-11-22T08:49:33Z)

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。