論文の概要: Faults and Pitfalls in Implementing the Right to be Forgotten

• arxiv url: http://arxiv.org/abs/2605.27171v1
• Date: Tue, 26 May 2026 15:27:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.381144
• Title: Faults and Pitfalls in Implementing the Right to be Forgotten
• Title（参考訳）: 忘れられる権利を行使する際の障害と落とし穴
• Authors: Chen Sun, Nikolas Guggenberger, Supreeth Shastri,
• Abstract要約: 規制当局は最初の5年間に205件のRTBF違反を発行している。 計算の観点からRTBFを支える不確実性やリスクを同定する。 本研究では,オープンソース検索エンジンのForgottenにRTBF機能を導入する。
• 参考スコア（独自算出の注目度）: 4.686112692892226
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Right to be Forgotten (RTBF) in one of the oldest and prominent of the legal data rights. While its legal intention is straight forward (for example, the GDPR describes it in just 417 words), the computing community has found it challenging to implement this in practice. For example, regulators have issued 205 RTBF violations in the first five years of GDPR i.e., an RTBF failure once every 9 days, on average. In this work, we identify the uncertainties and risks in supporting RTBF from a computing perspective. Then, to mitigate these challenges, we propose a two-phase approach that bridges an intrinsic dichotomy between law and computing. We demonstrate the effectiveness of our technique by showing how it could have fully avoided 80% of RTBF violations that occurred in the year-6 of GDPR. We also discover six long-standing practices of computing and data management that have become anti-patterns for RTBF. Finally, to ground our research, we introduce RTBF capability into Elasticsearch, a popular open-source search engine.
• Abstract（参考訳）: Forgotten(RTBF)となる権利は、法律データの権利の中で最古かつ著名なものの一つである。 その法的意図は(例えばGDPRはわずか417語で表現している)真っ直ぐ進んでいるが、コンピューティングコミュニティは実際にこれを実装するのが難しいと感じている。 例えば、規制当局はGDPRの最初の5年間で205のRTBF違反を発行している。 本研究は,RTBFを支える不確実性やリスクをコンピュータの観点から同定する。 そして、これらの課題を軽減するために、法と計算の本質的な二分法を橋渡しする二相アプローチを提案する。 GDPRの6年間で発生したRTBF違反の80%を完全に回避できることを示した。 また、RTBFのアンチパターンとなったコンピューティングとデータ管理の6つの長年の実践も発見する。 最後に、我々の研究を基盤として、人気のあるオープンソースの検索エンジンであるElasticsearchにRTBF機能を導入します。

関連論文リスト

• Adapting to Stochastic and Adversarial Losses in Episodic MDPs with Aggregate Bandit Feedback [61.49239204705301]
  本研究では,有限水平マルコフ決定過程(MDP)におけるオンライン学習について,包括的包括的包括的フィードバックモデルを用いて検討する。 本研究は, オンライン最短経路問題の近年の進展に触発された, 占領対策, 自己拘束技術, 新たな損失推定器の組合せに依拠する。
  論文  参考訳（メタデータ） (2025-10-20T02:28:08Z)
• Audits Under Resource, Data, and Access Constraints: Scaling Laws For Less Discriminatory Alternatives [41.35437079064223]
  計算量,データ,情報,モデルアクセスに制限がある場合でも,請求者が LDA が存在するかどうかを判断できる手順を提案する。 ロスフェアネスフロンティア(PF)のための新しいクローズドフォームアッパーバウンドを提供する。 我々は、主張者がどのようにしてPFを「低リソースの体制」に適合させるかを示し、その後、(大規模な)モデルに適用されるPFを外挿する。
  論文  参考訳（メタデータ） (2025-09-06T07:23:25Z)
• Adtech and Real-Time Bidding under European Data Protection Law [0.3634093556454098]
  本稿では、リアルタイム入札(RTB)が欧州のデータ保護法とどの程度互換性があるかを分析する。 我々は、WebサイトパブリッシャーやRTB企業にとって、安全でない欧州のデータ保護法要件を満たすことは困難であり、おそらく不可能であることを示している。 RTBは構造的に欧州のデータ保護法との整合が難しいと結論付けている。
  論文  参考訳（メタデータ） (2025-09-01T15:35:28Z)
• Reevaluating Policy Gradient Methods for Imperfect-Information Games [94.45878689061335]
  我々は,不完全情報ゲームにおけるDRLアルゴリズムの最大利用可能性比較を行う。 FP-、DO-、CFR-ベースのアプローチは、一般的なポリシー勾配法を上回りません。
  論文  参考訳（メタデータ） (2025-02-13T03:38:41Z)
• From Mean to Extreme: Formal Differential Privacy Bounds on the Success of Real-World Data Reconstruction Attacks [54.25638567385662]
  機械学習における微分プライバシーは、しばしばメンバーシップ推論に対する保証として解釈される。 DP予算を定量的な保護に翻訳することで、データ再構築の脅威を悪化させることは、依然として困難な課題である。 本稿では、実証された"ゼロスクラッチ"攻撃のメカニズムに合わせた、最初の公式なプライバシー境界を導出することで、臨界ギャップを埋める。
  論文  参考訳（メタデータ） (2024-02-20T09:52:30Z)
• Right to be Forgotten in the Era of Large Language Models: Implications, Challenges, and Solutions [15.726163080180653]
  Forgotten(RTBF)となる権利は、技術の進化の結果として最初に確立された。 近年のLarge Language Models (LLMs) は RTBF への準拠に新たな課題を提起している。 我々は、差分プライバシー、機械学習、モデル編集、ガードレールの使用など、RTBFの技術的ソリューションの実装方法を示す。
  論文  参考訳（メタデータ） (2023-07-08T09:28:50Z)
• Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
  本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。 検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-20T17:11:05Z)
• Continuous Doubly Constrained Batch Reinforcement Learning [93.23842221189658]
  環境とのオンラインインタラクションではなく、固定されたオフラインデータセットのみを使用して効果的なポリシーを学ぶバッチRLのアルゴリズムを提案する。 バッチRLにおける制限されたデータは、トレーニングデータに不十分に表現された状態/動作の値推定に固有の不確実性をもたらす。 この分散を減らすための政策制約と、過度に楽観的な見積もりを妨げる価値制約という2つの簡単な罰則によってこの問題を軽減することを提案する。
  論文  参考訳（メタデータ） (2021-02-18T08:54:14Z)

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。