論文の概要: SoK: Analysis of Privacy Risks and Mitigation in Online Propaganda Detection through the PROMPT Framework
- arxiv url: http://arxiv.org/abs/2604.17788v1
- Date: Mon, 20 Apr 2026 04:26:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.689124
- Title: SoK: Analysis of Privacy Risks and Mitigation in Online Propaganda Detection through the PROMPT Framework
- Title（参考訳）: SoK:ProMPTフレームワークによるオンラインプロパガンダ検出におけるプライバシリスクと緩和の分析
- Authors: Dhiman Goswami, Al Nahian Bin Emran, Md Hasan Ullah Sadi, Sanchari Das,
- Abstract要約: Propaganda Risk Online Mitigation and Privacy- Preserving Tactics (PROMPT) フレームワークを用いてこの問題を定式化する。
当社のコントリビューションには、正式なリスク対防御マッピング、コンプライアンス指向監査メトリクス、プライバシとパフォーマンスのトレードオフに関する実験的証拠などが含まれています。
- 参考スコア（独自算出の注目度）: 8.792174409814267
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Online propaganda detection pipelines expose measurable privacy risks at multiple stages including data collection, feature extraction, and model inference. We conduct a structured analysis of $162$ peer-reviewed studies and formalize the problem using the Propaganda Risk Online Mitigation and Privacy-preserving Tactics (PROMPT) framework. PROMPT models risks $R$ and mitigation strategies $S$ through a mapping $M: R\to S$ guided by a utility function $α\cdot \mathrm{PrivacyGain}(s_j) - β\cdot \mathrm{PerfLoss}(s_j) - γ\cdot \mathrm{Cost}(s_j)$, with tunable $(α,β,γ)$ enabling stakeholders to balance privacy, accuracy, and deployment costs. To assess practical adoption, we introduce a compliance score that quantifies the alignment of existing methods with GDPR, CCPA etc. requirements. Our evaluation shows that many widely used pipelines remain non-compliant, particularly in metadata handling and user-level aggregation. We further present empirical fine-tuning experiments on transformer-based encoders and decoders under synthetic perturbation, demonstrating a monotonic privacy-utility trade-off: with $q = 0.05$ performance decreased by 1-2% F$_1$, while at $q = 0.20$ the reduction reached 13-14%. These results establish quantitative baselines for privacy costs in propaganda detection. Our contributions include a formal risk-to-defense mapping, a compliance-oriented auditing metric, and experimental evidence of privacy-performance trade-offs, providing a technical foundation for building regulation-compliant and privacy-aware detection systems.
- Abstract（参考訳）: オンラインプロパガンダ検出パイプラインは、データ収集、特徴抽出、モデル推論を含む、測定可能なプライバシリスクを複数のステージで公開する。
我々は、PROMPT(Propaganda Risk Online Mitigation and Privacy- Preserving Tactics)フレームワークを用いて、162ドルの査読付き研究の構造化分析を行い、問題を定式化する。
R\to S$はユーティリティ関数$α\cdot \mathrm{PrivacyGain}(s_j) - β\cdot \mathrm{PerfLoss}(s_j) - γ\cdot \mathrm{Cost}(s_j)$で、調整可能な$(α,β,γ)$で、プライバシ、精度、デプロイメントコストのバランスをとることができる。
本稿では,既存の手法とGDPR,CCPA等の要件との整合性を定量化するコンプライアンススコアを導入する。
評価の結果,特にメタデータ処理やユーザレベルのアグリゲーションにおいて,広く使用されているパイプラインが非準拠であることが確認された。
さらに, 変圧器を用いたエンコーダとデコーダの合成摂動下での実験的な微調整実験を行い, モノトニックなプライバシ・ユーティリティのトレードオフを実証した: $q = 0.05$ 性能が 1-2% F$_1$ で, $q = 0.20$ で 13-14% で低下した。
これらの結果は,プロパガンダ検出におけるプライバシコストの定量的ベースラインを確立する。
当社のコントリビューションには、正式なリスク対防御マッピング、コンプライアンス指向の監査基準、プライバシとパフォーマンスのトレードオフに関する実験的証拠などが含まれています。
関連論文リスト
- Differentially Private Manifold Denoising [5.0794787043927725]
本稿では,ノイズの多い非プライベートな問合せ点の修正にセンシティブな参照データセットを活用可能な,微分プライベートなデノベーションフレームワークを提案する。
このフレームワークは、$(varepsilon,)$-differential privacy (DP)を使用して反復およびクエリ間で厳格なプライバシ会計を実行する。
実際には、このフレームワークは多様体メソッドに差分プライバシーをもたらし、埋め込み、クラスタリング、可視化といった下流タスクに十分な幾何学的信号を保持する。
論文 参考訳（メタデータ） (2026-04-01T14:13:59Z) - Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions [89.52532304099522]
フェデレートラーニング(FL)は、クライアントが生データを集中せずに共有モデルを共同でトレーニングすることを可能にし、固有のプライバシーレベルを提供する。
グラデーションとモデル更新は機密情報を漏洩する可能性があるが、悪意のあるサーバはビザンティン操作のような敵攻撃をマウントする可能性がある。
これらの脆弱性は、統合されたフレームワーク内の差分プライバシー(DP)とビザンチンの堅牢性に対処する必要性を強調している。
Byz-Clip21-SGD2Mを提案する。
論文 参考訳（メタデータ） (2026-03-24T17:39:09Z) - DPxFin: Adaptive Differential Privacy for Anti-Money Laundering Detection via Reputation-Weighted Federated Learning [11.014516357629587]
DPxFinは、評判誘導型適応微分プライバシーを統合する新しいフレームワークである。
提案手法は, 局所学習モデルとグローバルモデルとの整合性を評価することによって, クライアントの評判を計算する。
マルチ層パーセプトロン(MLP)を用いたIDおよび非IID設定下でのアンチモニー洗浄データセット上でのDPxFinの検証を行った。
論文 参考訳（メタデータ） (2026-03-14T08:34:39Z) - ERP-RiskBench: Leakage-Safe Ensemble Learning for Financial Risk [0.0]
本稿では、アンサンブル機械学習を用いたERP財務リスク検出のための再構成実験フレームワークを提案する。
リスク定義はハイブリッドで、調達のコンプライアンス異常と取引詐欺の両方をカバーする。
ERP-RiskBenchと呼ばれる複合ベンチマークは、公開調達イベントログ、ラベル付き不正データ、新しい合成ERPデータセットから組み立てられる。
論文 参考訳（メタデータ） (2026-03-03T04:41:26Z) - Sell Data to AI Algorithms Without Revealing It: Secure Data Valuation and Sharing via Homomorphic Encryption [10.12846924939717]
原資産を復号することなく外部データの有用性を定量化するための,プライバシ保護フレームワークであるTrustworthy Influence Protocol(TIP)を導入する。
均質暗号化と勾配に基づく影響関数を統合することで、当社のアプローチは、購入者の特定のAIモデルに対して、正確で盲目なデータポイントのスコア付けを可能にします。
医療と生成AIドメインにおける実証シミュレーションは、フレームワークの経済的ポテンシャルを検証する。
論文 参考訳（メタデータ） (2025-12-04T16:35:09Z) - Urania: Differentially Private Insights into AI Use [102.27238986985698]
$Urania$は、クラスタリング、パーティション選択、ヒストグラムベースの要約といったDPツールを活用することによって、エンドツーエンドのプライバシ保護を提供する。
結果は、厳密なユーザのプライバシを維持しながら、意味のある会話の洞察を抽出するフレームワークの能力を示している。
論文 参考訳（メタデータ） (2025-06-05T07:00:31Z) - $(ε, δ)$-Differentially Private Partial Least Squares Regression [1.8666451604540077]
我々は,モデルに基づくデータのプライバシーを確保するために,$(epsilon, delta)$-differentially private PLS (edPLS)アルゴリズムを提案する。
実験により、EDPLSはトレーニングデータに固有の変動源を回復することを目的とした、効果的なプライバシー攻撃を施すことが示されている。
論文 参考訳（メタデータ） (2024-12-12T10:49:55Z) - Certifiably Byzantine-Robust Federated Conformal Prediction [49.23374238798428]
本稿では,悪意のあるクライアントに対する堅牢な共形予測を行う新しいフレームワークRob-FCPを提案する。
我々は、さまざまなビザンチン攻撃の下で、悪意のあるクライアントの多様な割合に対するRob-FCPの堅牢性を実証的に実証した。
論文 参考訳（メタデータ） (2024-06-04T04:43:30Z) - A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。
EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。
我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
論文 参考訳（メタデータ） (2023-04-17T00:38:01Z) - 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。