論文の概要: PrivSTRUCT: Untangling Data Purpose Compliance of Privacy Policies in Google Play Store
- arxiv url: http://arxiv.org/abs/2604.22157v1
- Date: Fri, 24 Apr 2026 02:12:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.307258
- Title: PrivSTRUCT: Untangling Data Purpose Compliance of Privacy Policies in Google Play Store
- Title（参考訳）: PrivSTRUCT: Google Play Storeにおけるプライバシポリシーのコンプライアンスを解消する
- Authors: Bhanuka Silva, Anirban Mahanti, Aruna Seneviratne, Suranga Senevirante,
- Abstract要約: 複雑なプライバシー開示を解消する,新規かつ体系的なエンコーダとデコーダを組み合わせたフレームワークであるPrivSTRUCTを紹介する。
PrivSTRUCTを3,756のAndroidアプリの大規模なデータセットに適用することで、重要な透明性ギャップが明らかになりました。
また、センシティブなサードパーティのデータフローは、しばしば希釈され、一般的なカテゴリや無関係なカテゴリに絡み合っていることもわかりました。
- 参考スコア（独自算出の注目度）: 7.8875412433566465
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Existing research typically treats privacy policies as flat, uniform text, extracting information without regard for the document's logical hierarchy. Disregard for structural cues of section headings designed to guide the reader, often leads automated methods to entangle distinct data practices, particularly when linking sensitive data items to their specific purposes. To address this, we introduce PrivSTRUCT, a novel and systematic encoder and decoder combined framework that to untangle complex privacy disclosures. Benchmarking against the state-of-the-art tool PoliGrapher reveals that PrivSTRUCT robustly extracts more than x2 the number of data item and purpose excerpts while retaining developer-defined structural cues. By applying PrivSTRUCT to a large-scale dataset of 3,756 Android apps, we uncover a critical transparency gap: the probability of developers overstating a data purpose is 20.4% higher for first-party collection and 9.7% higher for third-party sharing when they rely on globally defined purposes rather than specific, locally scoped disclosures. Alarmingly, we find that sensitive third-party data flows such as sharing financial data for analytics are frequently diluted and entangled into generic or unrelated categories, highlighting a persistent failure in the current purpose disclosure landscape.
- Abstract（参考訳）: 既存の研究は通常、プライバシーポリシーを平らで均一なテキストとして扱い、文書の論理的階層を考慮せずに情報を抽出する。
読者を導くために設計されたセクションの見出しの構造的手がかりを無視し、特に機密データ項目を特定の目的にリンクする場合に、しばしば異なるデータプラクティスを絡める自動化メソッドを導く。
そこで本稿では,プライバシ開示の複雑化を回避するための,新規かつ体系的なエンコーダとデコーダを組み合わせたフレームワークであるPrivSTRUCTを紹介する。
最先端のツールであるPoliGrapherに対するベンチマークによると、PrivSTRUCTは、開発者定義の構造的手がかりを維持しながら、データ項目と目的の抜粋の数をx2以上強く抽出する。
PrivSTRUCTを3,756のAndroidアプリの大規模なデータセットに適用することにより、重要な透明性ギャップが明らかになった。データ目的を過大評価する確率は、ファーストパーティコレクションでは20.4%、ローカルスコープの開示ではなく、グローバルに定義された目的に依存している場合には、サードパーティ共有では9.7%である。
同様に、分析のための財務データ共有などの機密性の高いサードパーティデータフローは、しばしば希薄化され、一般的な、あるいは無関係なカテゴリに絡み合わされ、現在の目的開示の状況における永続的な失敗を浮き彫りにする。
関連論文リスト
- How to DP-fy Your Data: A Practical Guide to Generating Synthetic Data With Differential Privacy [52.00934156883483]
Differential Privacy(DP)は、情報漏洩を推論し、制限するフレームワークである。
Differentially Private Synthetic Dataは、ソースデータの全体的なトレンドを保存する合成データを指す。
論文 参考訳（メタデータ） (2025-12-02T21:14:39Z) - 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) - Differentially Private Synthetic Data Release for Topics API Outputs [63.79476766779742]
当社では,Google ChromeのPrivacy Sandboxの一部として,1つのPrivacy-Preserving Ads API – Topics APIに注目しています。
実トピックAPIデータの再識別リスク特性と密に一致した、微分プライベートなデータセットを生成する。
これにより、外部の研究者がAPIを詳細に分析し、現実的な大規模データセットの事前および将来の作業の再現が可能になります。
論文 参考訳（メタデータ） (2025-06-30T13:46:57Z) - MAGPIE: A dataset for Multi-AGent contextual PrIvacy Evaluation [54.410825977390274]
LLMエージェントのコンテキストプライバシを評価するための既存のベンチマークは、主にシングルターン、低複雑さタスクを評価する。
まず、15ドメインにわたる158のリアルタイムハイテイクシナリオからなるベンチマーク-MAGPIEを示す。
次に、コンテキスト的にプライベートなデータに対する理解と、ユーザのプライバシを侵害することなくコラボレーションする能力に基づいて、最先端のLCMを評価します。
論文 参考訳（メタデータ） (2025-06-25T18:04:25Z) - Automated Privacy Information Annotation in Large Language Model Interactions [40.87806981624453]
実際の識別子の下で大きな言語モデル(LLM)と対話するユーザは、プライベート情報の開示を無意識にリスクを負うことが多い。
既存のプライバシ検出方法は、異なる目的とアプリケーションドメインのために設計されている。
249Kのユーザクエリと154Kの注釈付きプライバシフレーズを備えた大規模多言語データセットを構築した。
論文 参考訳（メタデータ） (2025-05-27T09:00:12Z) - PrivacyLens: Evaluating Privacy Norm Awareness of Language Models in Action [54.11479432110771]
PrivacyLensは、プライバシに敏感な種子を表現的なヴィグネットに拡張し、さらにエージェントの軌跡に拡張するために設計された新しいフレームワークである。
プライバシの文献とクラウドソーシングされたシードに基づいて、プライバシの規範のコレクションをインスタンス化する。
GPT-4やLlama-3-70Bのような最先端のLMは、プライバシー強化の指示が出されたとしても、機密情報を25.68%、38.69%のケースでリークしている。
論文 参考訳（メタデータ） (2024-08-29T17:58:38Z) - Unveiling Privacy Vulnerabilities: Investigating the Role of Structure in Graph Data [17.11821761700748]
本研究では,ネットワーク構造から生じるプライバシーリスクに対する理解と保護を推し進める。
我々は,ネットワーク構造によるプライバシー漏洩の可能性を評価するための重要なツールとして機能する,新しいグラフプライベート属性推論攻撃を開発した。
攻撃モデルはユーザのプライバシに重大な脅威を与え,グラフデータ公開手法は最適なプライバシとユーティリティのトレードオフを実現する。
論文 参考訳（メタデータ） (2024-07-26T07:40:54Z) - PrivacyMind: Large Language Models Can Be Contextual Privacy Protection Learners [81.571305826793]
コンテキストプライバシ保護言語モデル(PrivacyMind)を紹介する。
我々の研究はモデル設計に関する理論的分析を提供し、様々な手法をベンチマークする。
特に、肯定的な例と否定的な例の両方による命令チューニングは、有望な方法である。
論文 参考訳（メタデータ） (2023-10-03T22:37:01Z) - DP2-Pub: Differentially Private High-Dimensional Data Publication with
Invariant Post Randomization [58.155151571362914]
本稿では,2つのフェーズで動作する差分プライベートな高次元データパブリッシング機構(DP2-Pub)を提案する。
属性をクラスタ内凝集度の高い低次元クラスタに分割し、クラスタ間の結合度を低くすることで、適切なプライバシ予算を得ることができる。
また、DP2-Pubメカニズムを、ローカルの差分プライバシーを満たす半正直なサーバでシナリオに拡張します。
論文 参考訳（メタデータ） (2022-08-24T17:52:43Z) - Reasoning over Public and Private Data in Retrieval-Based Systems [29.515915401413334]
State-of-the-artシステムは、回答を生成する前に、背景コーパスからユーザ質問に関連する情報を明示的に検索する。
今日の検索システムは、コーパスが完全にアクセス可能であることを前提としているが、ユーザーはプライベートデータを公開データをホストするエンティティに公開することを望んでいないことが多い。
PAIR(Public-PRIVATE AUTOREGRESSIVE Information RetriEVAL) のプライバシ・フレームワークを,複数のプライバシ・スコープにまたがる新規検索設定のために最初に定義する。
論文 参考訳（メタデータ） (2022-03-14T13:08:51Z)
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。