論文の概要: Privacy-by-Design Adaptive Group Assignment for Digital Lifestyle Coaching at Scale

• arxiv url: http://arxiv.org/abs/2605.20505v1
• Date: Tue, 19 May 2026 21:22:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.383536
• Title: Privacy-by-Design Adaptive Group Assignment for Digital Lifestyle Coaching at Scale
• Title（参考訳）: 大規模デジタルライフスタイルコーチングのためのプライバシ・バイ・デザイン適応型グループアサインメント
• Authors: Nariman Mani, Salma Attaranasl,
• Abstract要約: PRISM-Coachは、プライバシ保護型ライフスタイルコーチングのためのステークホルダー中心アーキテクチャと適応的なピアグループ割り当て手法である。 我々は,PRISM-Coachを商業展開型ライフスタイルコーチングプラットフォームにインスタンス化し,約2800名のユーザから3年間のテレメトリを用いて評価する。 その結果、82%は肯定的な利益を報告し、92%は透明性開示後のプライバシーの信頼性を高めた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Digital lifestyle coaching systems must personalize peer support as user behavior and engagement evolve while preventing personally identifiable information (PII) and sensitive health information from leaking into analytics and AI pipelines. This creates a practical tension: personalization requires longitudinal linkability, while privacy engineering requires minimization, separation, and controlled re-identification. We present PRISM-Coach, a stakeholder-centered architecture and adaptive peer-group assignment method for privacy-preserving lifestyle coaching. PRISM-Coach separates each user into four bounded views: Identity, Operational, Learning, and Coaching, each with distinct access controls and risk profiles. Building on this separation, the system uses vault-based controlled identity restoration, a privacy-constrained contextual bandit to assign users to eligible peer groups under coach-capacity and stability constraints, and a human-in-the-loop coaching assistant that generates de-identified summaries and draft messages without sending raw PII or PHI to external AI services. We instantiate PRISM-Coach in a commercially deployed lifestyle coaching platform and evaluate it using three years of telemetry from approximately 2,800 users and an in-app needs assessment survey. At the population level, daily check-in adherence increases from 0.35 to 0.68, and engagement rises to 1.35 baseline. In a matched 19-week comparison window, the AI-enabled workflow achieves adherence of 0.74 versus 0.48 under static grouping and higher average weight loss: 5.2 kg versus 3.1 kg. Survey results show that 82% report positive perceived benefit, and 92% report increased privacy confidence after transparency disclosures. These results position PRISM-Coach as a practical blueprint for privacy-by-design adaptive learning systems in everyday wellness.
• Abstract（参考訳）: デジタルライフスタイルコーチングシステムは、個人識別可能な情報(PII)や機密健康情報が分析やAIパイプラインに漏れるのを防ぎながら、ユーザの行動やエンゲージメントが進化するにつれて、ピアサポートをパーソナライズする必要がある。 パーソナライズには縦方向のリンク性が必要ですが、プライバシエンジニアリングには最小化、分離、制御された再識別が必要です。 PRISM-Coachは,プライバシ保護型ライフスタイルコーチングのための利害関係者中心アーキテクチャと適応型ピアグループ割り当て手法である。 PRISM-Coachは、各ユーザを4つのバウンドビュー(アイデンティティ、操作、学習、コーチング)に分割する。 この分離に基づいて、システムは、Vaultベースの制御されたアイデンティティ復元、プライバシに制約のあるコンテキストバンドイットを使用して、コーチ能力と安定性の制約の下で、ユーザを資格のあるピアグループに割り当てる、そして、外部AIサービスに生のPIIやPHIを送信することなく、識別されていないサマリーとドラフトメッセージを生成する、ループ内コーチングアシスタントを使用する。 PRISM-Coachを商業展開型ライフスタイルコーチングプラットフォームにインスタンス化し,約2800名のユーザからの3年間のテレメトリとアプリケーション内ニーズ評価調査を用いて評価する。 人口レベルでは、毎日のチェックインの定着率は0.35から0.68に増加し、エンゲージメントは1.35に増加した。 一致した19週間の比較ウィンドウでは、AI対応ワークフローは静的グルーピングおよび平均体重損失の5.2kg対3.1kgにおいて、0.74対0.48の順守を達成する。 調査の結果、82%が肯定的な利益を報告し、92%が透明性開示後のプライバシーの信頼性を高めた。 これらの結果から,プライバシ・バイ・デザイン適応学習システムの実践的青写真としてPRISM-Coachを位置づけた。

関連論文リスト

• Transparent and Controllable Recommendation Filtering via Multimodal Multi-Agent Collaboration [48.028080782524064]
  我々は、エンドツーエンドのコラボレーション、マルチモーダル認識、マルチエージェントオーケストレーションを統合する新しいフレームワークを紹介します。 本システムでは,帰納的幻覚を除去するために,ファクトグラウンドの偏見パイプラインを用いている。 ダイナミックな2階層の嗜好グラフを構築し、明示的なループ内の人為的な修正を可能にする。
  論文  参考訳（メタデータ） (2026-04-19T14:19:28Z)
• Contextualized Privacy Defense for LLM Agents [84.30907378390512]
  LLMエージェントはますますユーザーの個人情報に作用するが、既存のプライバシー保護は設計と適応性の両方において制限されている。 我々は,新たなプライバシ防衛パラダイムであるCDI(Contextualized Defense Instructing)を提案する。 我々のCDIは、ベースラインよりもプライバシー保護(94.2%)と有用性(80.6%)のバランスが良好であることを示します。
  論文  参考訳（メタデータ） (2026-03-03T13:35:33Z)
• Private and Robust Contribution Evaluation in Federated Learning [44.1965210509968]
  クロスサイロフェデレーション学習は、複数の組織が生データを共有せずに、協力的に機械学習モデルをトレーニングすることを可能にする。 セキュリティアグリゲーションは、個々の更新を隠すことによってプライバシを保護するが、コントリビューション評価を複雑にする。 安全なアグリゲーションに適合する2つの限界差コントリビューションスコアを導入する。
  論文  参考訳（メタデータ） (2026-02-25T09:27:40Z)
• MAGPIE: A benchmark for Multi-AGent contextual PrIvacy Evaluation [61.92403071137653]
  既存のプライバシベンチマークは、タスクの結果に影響を与えることなく、プライベート情報を簡単に省略できる、単純化されたシングルターンインタラクションにのみフォーカスする。 我々は,多エージェント協調型非競合シナリオにおけるプライバシ理解と保存性を評価するための新しいベンチマークであるMAGPIEを紹介する。 評価の結果,GPT-5やGemini 2.5-Proを含む最先端のエージェントは,重大なプライバシー侵害を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2025-10-16T23:12:12Z)
• Client Clustering Meets Knowledge Sharing: Enhancing Privacy and Robustness in Personalized Peer-to-Peer Learning [6.315548497961388]
  我々はP4(Personalized, Private, Peer-to-Peer)を開発し、リソースに制約のあるIoTデバイス向けにパーソナライズされたモデルを提供する。 私たちのソリューションでは、クライアントの類似性をプライベートに検出し、協調グループを形成するために、軽量で完全に分散化されたアルゴリズムを採用しています。 P4は、異なるプライベートなピアツーピアアプローチをリードするよりも5%から30%高い精度を実現し、最大30%の悪意のあるクライアントで堅牢性を維持する。
  論文  参考訳（メタデータ） (2025-06-25T13:27:36Z)
• PAUSE: Low-Latency and Privacy-Aware Active User Selection for Federated Learning [49.02872047060618]
  フェデレートラーニング(FL)は、エッジデバイスが、潜在的にプライベートなデータを共有することなく、機械学習モデルを協調的にトレーニングすることを可能にする。 FLには2つの重要な課題がある。第一に、時間とともにプライバシーの漏洩が蓄積され、第二に、通信のレイテンシである。 本稿では,アクティブユーザ選択によるプライバシー漏洩と通信遅延の蓄積を共同で解決する手法を提案する。
  論文  参考訳（メタデータ） (2025-03-17T13:50:35Z)
• Communication-Efficient and Privacy-Adaptable Mechanism for Federated Learning [54.20871516148981]
  通信効率・プライバシー適応メカニズム(CEPAM)について紹介する。 CEPAMは通信効率とプライバシー保護を同時に達成する。 我々は、CEPAMのプライバシー保証を理論的に分析し、CEPAMのユーザプライバシと正確性の間のトレードオフを調査する。
  論文  参考訳（メタデータ） (2025-01-21T11:16:05Z)
• P4: Towards private, personalized, and Peer-to-Peer learning [6.693404985718457]
  パーソナライズの主な課題は、クライアントクラスタリングとデータのプライバシである。 P4(Personalized Private Peer-to-Peer)は、各クライアントがパーソナライズされたモデルを受け取ることを保証する手法である。 P4は微分プライベートP2Pの最先端性能を最大40%向上させる。
  論文  参考訳（メタデータ） (2024-05-27T23:04:37Z)
• PEaRL: Personalized Privacy of Human-Centric Systems using Early-Exit Reinforcement Learning [0.5317624228510748]
  本稿では,個人の行動パターンや嗜好に合わせて,プライバシ保護を強化するシステムPEaRLを紹介する。 どちらのシステムでも、PEaRLはプライバシー保護を31%強化し、それに対応するユーティリティーの24%を削減している。
  論文  参考訳（メタデータ） (2024-03-09T10:24:12Z)

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。