論文の概要: Short paper: Models in the dark -- Rectification and erasure under GDPR in ML supply chains

• arxiv url: http://arxiv.org/abs/2606.05946v1
• Date: Thu, 04 Jun 2026 09:46:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.701101
• Title: Short paper: Models in the dark -- Rectification and erasure under GDPR in ML supply chains
• Title（参考訳）: 短報:MLサプライチェーンにおけるGDPR下の暗黒モデル -- 整流と消去
• Authors: Henrik Graßhoff, Malte Hansen, Meiko Jensen, Sara Ramezanian,
• Abstract要約: 本稿では,機械学習モデルにおける修正と消去の権利の実現における課題について述べる。 データ保護当局からの要求の多くは、まだ技術的に満たされていないことが分かっています。 学際的な観点を採用することにより、この研究は、法的要件とMLにおける主題データ権利の技術的実装のギャップを埋めることに寄与する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The rights to rectification and erasure, as established under the General Data Protection Regulation (GDPR), are central to protecting individuals' privacy. However, their effective enforcement in machine learning (ML) systems remains challenging. Existing work has largely addressed these rights from either a legal or a technical perspective in isolation and disregards the fact that models are produced in complex supply chains involving multiple actors across development, distribution, and deployment. This paper presents a holistic survey of challenges in implementing the rights to rectification and erasure in ML models. Drawing on academic literature and guidance from data protection authorities, we find that many GDPR requirements cannot yet be technically met in practice. Our findings further suggest that issues arising in ML supply chains are insufficiently addressed in research. To tackle this gap, we introduce the notion of models in the dark -- derived models created further downstream in an ML chain without sufficient transparency or traceability -- and analyse the urgent challenges posed by this phenomenon. By adopting an interdisciplinary perspective, this work contributes to bridging the gap between legal requirements and the technical implementation of data subject rights in ML, ultimately supporting the development of trustworthy artificial intelligence.
• Abstract（参考訳）: GDPR(General Data Protection Regulation)が制定した改正と消去の権利は、個人のプライバシ保護の中心である。 しかし、機械学習(ML)システムへの効果的な適用は依然として困難である。 既存の作業は、法的あるいは技術的な観点から、これらの権利に対処し、モデルが開発、配布、展開にまたがる複数のアクターを含む複雑なサプライチェーンで生産されているという事実を無視している。 本稿では,MLモデルにおける修正と消去の権利の実施における課題に関する総合的な調査を行う。 学術文献とデータ保護当局からの指導に基づき、多くのGDPR要件が技術的に満たされていないことが判明した。 また,MLサプライチェーンの課題は研究において不十分であることが示唆された。 このギャップに対処するために、私たちは、暗黒のモデルの概念を導入します -- 十分な透明性やトレーサビリティなしに、MLチェーンでさらに下流に生成された派生モデル -- この現象によって引き起こされる緊急の課題を分析します。 学際的な観点を採用することにより、この研究は、法的要件とMLにおけるデータ主体権の技術的実装のギャップを埋めることに貢献し、最終的には信頼できる人工知能の開発を支援する。

関連論文リスト

• Copyright in AI Pre-Training Data Filtering: Regulatory Landscape and Mitigation Strategies [0.0]
  汎用AIモデルの急速な進歩により、トレーニングデータにおける著作権侵害に対する懸念が高まっている。 本稿では,EU,米国,アジア太平洋地域を含む主要地域におけるAIトレーニングデータガバナンスの規制状況について検討する。 また、AI開発におけるクリエーターの権利と持続可能性の両方を脅かす強制機構における重要なギャップを特定する。
  論文  参考訳（メタデータ） (2025-11-26T14:02:45Z)
• Global AI Governance Overview: Understanding Regulatory Requirements Across Global Jurisdictions [0.0]
  汎用AIモデルの急速な進歩により、トレーニングデータにおける著作権侵害に対する懸念が高まっている。 本稿では,EU,米国,アジア太平洋地域を含む主要地域におけるAIトレーニングデータガバナンスの規制状況について検討する。 また、AI開発におけるクリエーターの権利と持続可能性の両方を脅かす強制機構における重要なギャップを特定する。
  論文  参考訳（メタデータ） (2025-11-26T13:59:11Z)
• SoK: Large Language Model Copyright Auditing via Fingerprinting [69.14570598973195]
  既存の手法をホワイトボックスとブラックボックスのアプローチに分類する統一的な枠組みと形式的な分類法を導入する。 現実的な展開シナリオ下でのLDMフィンガープリント評価のための最初の体系的ベンチマークであるLeaFBenchを提案する。
  論文  参考訳（メタデータ） (2025-08-27T12:56:57Z)
• A Systematic Survey of Model Extraction Attacks and Defenses: State-of-the-Art and Perspectives [65.3369988566853]
  近年の研究では、敵が対象モデルの機能を複製できることが示されている。 モデル抽出攻撃は知的財産権、プライバシー、システムのセキュリティに脅威をもたらす。 本稿では,攻撃機構,防衛手法,計算環境に応じてMEAを分類する新しい分類法を提案する。
  論文  参考訳（メタデータ） (2025-08-20T19:49:59Z)
• Engineering the Law-Machine Learning Translation Problem: Developing Legally Aligned Models [0.0]
  本稿では,機械学習モデル開発において,法的および機械学習技術分析を統合した5段階の学際フレームワークを提案する。 このフレームワークは、法的に整合した方法でMLモデルを設計し、法的に妥当なハイパフォーマンスモデルを特定することを容易にする。
  論文  参考訳（メタデータ） (2025-04-23T13:41:17Z)
• OML: A Primitive for Reconciling Open Access with Owner Control in AI Model Distribution [35.68672391812135]
  我々は,AIモデルの新たな分散パラダイムを実現するプリミティブであるOMLを紹介する。 OMLは、暗号的に強制された使用許可を維持しながら、ローカル実行のために自由に配布することができる。 この研究は、暗号、機械学習、そしてメカニズム設計の交差点で新しい研究の方向性を開く。
  論文  参考訳（メタデータ） (2024-11-01T18:46:03Z)
• AI Safety in Generative AI Large Language Models: A Survey [14.737084887928408]
  生成的AI能力を示す大規模言語モデル(LLM)は、採用とイノベーションの加速に直面している。 生成AI(GAI)は、これらのモデルに関連するリスクと安全性に関する懸念を必然的に高める。 本稿では,コンピュータ科学者の視点からAI安全研究の最新の動向について報告する。
  論文  参考訳（メタデータ） (2024-07-06T09:00:18Z)
• A Survey on Large Language Models for Critical Societal Domains: Finance, Healthcare, and Law [65.87885628115946]
  大規模言語モデル(LLM)は、金融、医療、法律の展望に革命をもたらしている。 我々は、医療における診断・治療方法論の強化、財務分析の革新、法的解釈・コンプライアンス戦略の精査におけるLCMの役割を強調した。 これらの分野におけるLLMアプリケーションの倫理を批判的に検討し、既存の倫理的懸念と透明で公平で堅牢なAIシステムの必要性を指摘した。
  論文  参考訳（メタデータ） (2024-05-02T22:43:02Z)

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。