論文の概要: Decoupling Identity from Utility: Privacy-by-Design Frameworks for Financial Ecosystems

• arxiv url: http://arxiv.org/abs/2604.14495v1
• Date: Thu, 16 Apr 2026 00:07:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-17 21:29:31.654917
• Title: Decoupling Identity from Utility: Privacy-by-Design Frameworks for Financial Ecosystems
• Title（参考訳）: アイデンティティをユーティリティから分離する - 金融エコシステムのためのプライバシ・バイ・デザインフレームワーク
• Authors: Ifayoyinsola Ibikunle, Tyler Farnan, Senthil Kumar, Mayana Pereira,
• Abstract要約: 本稿では、この対立を解決するための堅牢な"Privacy by Design"フレームワークとして、差分プライベート(DP)合成データについて検討する。 生データから高忠実度関節分布を再構成する直接タブラル合成法と,DP保護骨材を用いて複雑でステートフルなシミュレーションをパラメータ化するDPシードエージェントベースモデリング法(ABM)について検討した。
• 参考スコア（独自算出の注目度）: 2.8555760710139393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Financial institutions face tension between maximizing data utility and mitigating the re-identification risks inherent in traditional anonymization methods. This paper explores Differentially Private (DP) synthetic data as a robust "Privacy by Design" framework to resolve this conflict, ensuring output privacy while satisfying stringent regulatory obligations. We examine two distinct generative paradigms: Direct Tabular Synthesis, which reconstructs high-fidelity joint distributions from raw data, and DP-Seeded Agent-Based Modeling (ABM), which uses DP-protected aggregates to parameterize complex, stateful simulations. While tabular synthesis excels at reflecting static historical correlations for QA testing and business analytics, the DP-Seeded ABM offers a forward-looking "counterfactual laboratory" capable of modeling dynamic market behaviors and black swan events. By decoupling individual identities from data utility, these methodologies eliminate traditional data-clearing bottlenecks, enabling seamless cross-institutional research and compliant decision-making in an evolving regulatory landscape.
• Abstract（参考訳）: 金融機関は、データユーティリティの最大化と、従来の匿名化手法に固有の再識別リスクの軽減の間に緊張関係に直面している。 本稿では,この対立を解消し,厳密な規制義務を履行しつつ,出力のプライバシーを確保するために,DP合成データを堅牢な"Privacy by Design"フレームワークとして検討する。 生データから高忠実度関節分布を再構成する直接タブラル合成法と,DP保護骨材を用いて複雑でステートフルなシミュレーションをパラメータ化するDPシードエージェントベースモデリング法(ABM)の2つの異なる生成パラダイムについて検討する。 表形式の合成は、QAテストとビジネス分析の静的な歴史的相関を反映して優れているが、DP系列のABMは、動的な市場行動や黒い白鳥のイベントをモデル化できる前方の「偽物実験室」を提供する。 データユーティリティから個々のIDを分離することで、これらの方法論は従来のデータクリーニングのボトルネックを排除し、シームレスなクロスインスティテュートな研究と、進化する規制の状況におけるコンプライアンスによる意思決定を可能にします。

関連論文リスト

• Reinforcement-Guided Synthetic Data Generation for Privacy-Sensitive Identity Recognition [60.52810518437911]
  高忠実度生成モデルは、プライバシーに敏感なシナリオでますます必要とされている。 限られたデータによって生成モデルは貧弱になり、データ不足を軽減できない。 汎用ドメイン生成の先行を識別タスクに適応させる,強化誘導型合成データ生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-09T06:52:03Z)
• A Late-Fusion Multimodal AI Framework for Privacy-Preserving Deduplication in National Healthcare Data Environments [0.0]
  機密情報に依存しない新しい,スケーラブルでマルチモーダルなAIフレームワークを提案する。 このアプローチは、エンティティ解決に対するプライバシ準拠のソリューションを提供し、セキュアなデジタルインフラストラクチャをサポートし、公衆衛生分析の信頼性を高める。 国家の健康データモダナイゼーションへの統合には適しており、プライバシ優先のイノベーションというより広範な目標に合わせている。
  論文  参考訳（メタデータ） (2026-03-04T20:46:26Z)
• SynBench: A Benchmark for Differentially Private Text Generation [35.908455649647784]
  医療や金融といった高度な分野におけるデータ駆動型意思決定のサポートは、データ共有にとって大きな障壁に直面している。 大規模言語モデルのような最近の生成AIモデルは、オープンドメインタスクにおいて印象的なパフォーマンスを示している。 しかし、彼らのセンシティブな環境への導入は、予測不可能な振る舞いと、プライバシー保護の不十分なデータセットによって制限されている。
  論文  参考訳（メタデータ） (2025-09-18T03:57:50Z)
• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• Federated Diffusion Modeling with Differential Privacy for Tabular Data Synthesis [8.857443660746979]
  本稿では,差分プライバシー,フェデレーション学習,拡散確率モデルを新たに統合したDP-FedTabDiffフレームワークを紹介する。 このフレームワークは、データユーティリティを維持しながら、プライバシ規制の遵守を保証する。
  論文  参考訳（メタデータ） (2024-12-20T17:30:58Z)
• Second FRCSyn-onGoing: Winning Solutions and Post-Challenge Analysis to Improve Face Recognition with Synthetic Data [104.30479583607918]
  第2回FRCSyn-onGoingチャレンジは、CVPR 2024で開始された第2回顔認識チャレンジ(FRCSyn)に基づいている。 我々は、顔認識における現在の課題を解決するために、個々のデータと実際のデータの組み合わせの両方で合成データの利用を検討することに重点を置いている。
  論文  参考訳（メタデータ） (2024-12-02T11:12:01Z)
• Data Collaboration Analysis with Orthonormal Basis Selection and Alignment [2.928964540437144]
  Data Collaboration (DC)は、複数のパーティがプライベートデータセットを公開することなく、モデルを共同でトレーニングすることを可能にする。 既存の理論は、秘密の基地と同じ部分空間にまたがる任意の標的基底は十分であると主張する。 我々は、秘密ベースとターゲットベースの両方で正規性制約を明示的に強制する新しいDCフレームワークであるOrthonormal Data Collaboration(ODC)を紹介する。
  論文  参考訳（メタデータ） (2024-03-05T08:52:16Z)
• 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)
• Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy [51.11280118806893]
  サーバが複数のユーザの協調的なデータ分析を,プライバシの懸念と限られた通信能力で調整する,フェデレートされたデータ分析問題を考える。 有限出力空間を有する離散値機構の局所的差分プライバシー保証を$f$-differential privacy (DP) レンズを用いて検討する。 より具体的には、様々な離散的評価機構の厳密な$f$-DP保証を導出することにより、既存の文献を前進させる。
  論文  参考訳（メタデータ） (2023-02-19T16:58:53Z)

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。