論文の概要: Many a Little Makes a Mickle: A Code-Centric Empirical Study of Data Minimization Principle in Android App Development

• arxiv url: http://arxiv.org/abs/2606.02960v1
• Date: Mon, 01 Jun 2026 23:36:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-03 22:00:04.64257
• Title: Many a Little Makes a Mickle: A Code-Centric Empirical Study of Data Minimization Principle in Android App Development
• Title（参考訳）: Androidアプリ開発におけるデータ最小化の原則に関するコード中心的な実証的研究
• Authors: Dianshu Liao, Shidong Pan, Zhenchang Xing, Xiaoyu Sun,
• Abstract要約: 我々は,データ最小化を開発者操作可能な原則として重視し,Androidアプリケーションにおけるその実現について検討する。 我々は,5つのデータ処理ステージにわたる10の繰り返しデータ最小化シナリオを特定するために,オープンソースの1,114のAndroidアプリに関するフォーマティブスタディを実施している。 プライバシに準拠した開発を支援するために31の実行可能なコーディングガイドラインを抽出する。
• 参考スコア（独自算出の注目度）: 13.296997992056276
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern mobile applications consume large amounts of data to function, raising significant privacy concerns and regulatory challenges. While prior work has primarily focused on detecting compliance gaps through policy analysis, there remains a lack of actionable guidance for developers to implement privacy principles at the code level. In this paper, we focus on data minimization as a developer-operationalizable principle and investigate its realization in Android applications. We conduct a formative study on 1,114 open-source Android apps to identify ten recurring data minimization scenarios across five data-handling stages. Building on this, we perform a large-scale analysis of 9,875 real-world APKs and distill 31 actionable coding guidelines to support privacy-compliant development. We further examine LLM-based code generation in Android development and find that state-of-the-art models consistently reproduce data minimization-risky practices, indicating that they inherit and amplify patterns from real-world code. Encouragingly, incorporating our guidelines eliminates these issues across all evaluated models. Our work advocates a shift toward responding to privacy regulatory requirements at their code-level root causes, enabling better compliance in both human and AI-assisted programming.
• Abstract（参考訳）: 現代のモバイルアプリケーションは大量のデータを消費して機能し、プライバシーの懸念や規制上の問題を引き起こす。 以前の作業は主にポリシー分析によるコンプライアンスギャップの検出に重点を置いていたが、開発者がコードレベルでプライバシ原則を実装するための実用的なガイダンスが不足している。 本稿では,開発者操作可能な原理としてのデータ最小化に着目し,Androidアプリケーションにおけるその実現について検討する。 我々は,5つのデータ処理ステージにわたる10の繰り返しデータ最小化シナリオを特定するために,オープンソースの1,114のAndroidアプリに関するフォーマティブスタディを実施している。 これに基づいて,実世界のAPK9,875件の大規模分析を行い,プライバシーに準拠した開発を支援するために31件の実行可能なコーディングガイドラインを抽出する。 さらに,Android 開発における LLM ベースのコード生成について検討し,現状のモデルがデータ最小化-リスキーのプラクティスを一貫して再現していることを確認し,実世界のコードからパターンを継承・増幅することを示す。 ガイドラインを取り入れることで、評価されたすべてのモデルにまたがってこれらの問題を排除します。 私たちの研究は、コードレベルの根本原因におけるプライバシー規制要件への対応へのシフトを提唱しています。

関連論文リスト

• From Code Foundation Models to Agents and Applications: A Practical Guide to Code Intelligence [150.3696990310269]
  大規模言語モデル(LLM)は、自然言語記述を直接関数コードに変換することによって、自動ソフトウェア開発を変革した。 コードLLMに関する総合的な合成と実践的ガイド(一連の解析および探索実験)を提供する。 一般LLM(GPT-4, Claude, LLaMA)とコード特殊化LLM(StarCoder, Code LLaMA, DeepSeek-Coder, QwenCoder)のコード機能の解析を行う。
  論文  参考訳（メタデータ） (2025-11-23T17:09:34Z)
• SoK: Data Minimization in Machine Learning [49.60064304454055]
  データ最小化(DM)は、与えられたタスクに必要なデータのみを収集する原則を記述している。 データ最小化の関連性は特に機械学習(ML)アプリケーションで顕著である。 他のMLプライバシおよびセキュリティトピックに関する既存の作業は、接続を明示的に認識することなく、DMMLに関連する問題に対処することが多い。 この作業では、統合データパイプライン、敵、最小化ポイントなど、DMMLの包括的なフレームワークを導入している。
  論文  参考訳（メタデータ） (2025-08-14T17:00:13Z)
• Does Machine Unlearning Truly Remove Knowledge? [80.83986295685128]
  本研究では,3つのベンチマークデータセット,6つのアンラーニングアルゴリズム,および5つのプロンプトベースの監査手法からなる,アンラーニング評価のための総合的な監査フレームワークを提案する。 異なるアンラーニング戦略の有効性とロバスト性を評価する。
  論文  参考訳（メタデータ） (2025-05-29T09:19:07Z)
• Visualizing Privacy-Relevant Data Flows in Android Applications [5.367301239087641]
  SliceVizは、バックエンドのソースコードで検出されたすべてのプライバシ関連データソースをスライスすることで、Androidアプリを分析するツールである。 SliceVizは,Androidアプリのプライバシ関連プロパティを効果的に識別する上で有効であることを示す12人の参加者を対象に,ユーザスタディを実施した。
  論文  参考訳（メタデータ） (2025-03-20T18:47:02Z)
• The Data Minimization Principle in Machine Learning [61.17813282782266]
  データ最小化は、収集、処理、保持されるデータの量を減らすことを目的としている。 様々な国際データ保護規制によって支持されている。 しかし、厳密な定式化が欠如しているため、その実践的な実装は依然として課題である。
  論文  参考訳（メタデータ） (2024-05-29T19:40:27Z)
• How Can LLM Guide RL? A Value-Based Approach [68.55316627400683]
  強化学習(Reinforcement Learning, RL)は、将来の行動方針をフィードバックで改善することにより、シーケンシャルな意思決定問題の事実上の標準的実践となった。 大規模言語モデル(LLM)の最近の発展は、言語理解と生成において印象的な能力を示したが、探索と自己改善能力に欠けていた。 我々はLINVITというアルゴリズムを開発し、LLMガイダンスを値ベースRLの正規化因子として組み込んで学習に必要なデータ量を大幅に削減する。
  論文  参考訳（メタデータ） (2024-02-25T20:07:13Z)
• Toward an Android Static Analysis Approach for Data Protection [7.785051236155595]
  この論文は,Androidアプリにおけるデータ保護の説明の必要性を動機付けている。 データ分析は、ソースコード内の個人データソースを認識する。 開発者はデータ操作やデータ操作に関する重要な質問に答えることができる。
  論文  参考訳（メタデータ） (2024-02-12T18:52:39Z)
• From Principle to Practice: Vertical Data Minimization for Machine Learning [15.880586296169687]
  政策立案者はデータ最小化(DM)原則の遵守をますます要求している。 規制圧力にもかかわらず、DMに従う機械学習モデルをデプロイする問題は、今のところほとんど注目されていない。 データ一般化に基づく新しい垂直DM(vDM)ワークフローを提案する。
  論文  参考訳（メタデータ） (2023-11-17T13:01:09Z)

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。