論文の概要: Privacy Engineering: A Systematic Literature Review

• arxiv url: http://arxiv.org/abs/2606.23696v1
• Date: Thu, 30 Apr 2026 10:03:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 00:46:12.929713
• Title: Privacy Engineering: A Systematic Literature Review
• Title（参考訳）: プライバシエンジニアリング: 体系的な文献レビュー
• Abstract要約: 我々は、2018年から2025年までの90の研究を、システマティック・シンセサイザーによる体系的なレビューを用いて合成し、プライバシー工学をグラフ化する。 プライバシ・エンハンシング・テクノロジー(PET)とプライバシ・メトリック(PM)、検証・テスト(VT)、透明性・コミュニケーション(TC)と組織的措置(OM)の13次元の繰り返しコアを形成する。 結果は、実用的なマップと、評価と更新のためのレプリケーション対応の足場を提供する。
• 参考スコア（独自算出の注目度）: 1.8344830899421696
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Privacy obligations under GDPR increasingly shape software engineering. We synthesize 90 studies from 2018 to 2025 using a systematic review with thematic synthesis to chart privacy engineering. Thirteen dimensions form two recurrent cores: Privacy Enhancing Technologies (PETs) with Privacy Metrics (PM) and Verification and Testing (VT) and Governance and Accountability (GA) with Transparency and Communication (TC) and Organizational Measures (OM). Modeling and Specification (MS) mediates between the cores. Lifecycle mapping shows concentrations at requirements and design (MS, GA), at implementation and verification (PETs, VT, PM, TC) and at operation and decommissioning (GA, OM, Data Subject Rights Management (DSRM), Incident Response and Management (IRM), Lifelong Management (LM)). Handoffs link models to rules and tests, mechanisms to metrics and deployments such as enclaves and ledgers to governance records. Domains reweight but do not alter structure: healthcare weights GA with VT and PETs, IoT and edge weight PETs with VT and PM at device and edge, web measurement weights TC with VT, AI and ML weight PETs with PM. IRM, LM and Data Minimization and Purpose Limitation (DMPL) are less often primary foci, signaling priorities for future work. The results provide a practical map and a replication-ready scaffold for assessment and updates.
• Abstract（参考訳）: GDPRの下でのプライバシー義務は、ソフトウェアエンジニアリングをますます形作る。 我々は、2018年から2025年までの90の研究を、システマティック・シンセサイザーによる体系的なレビューを用いて合成し、プライバシー工学をグラフ化する。 プライバシ・エンハンシング・テクノロジ(PET)とプライバシ・メトリック(PM)、検証・テスト(VT)、透明性・コミュニケーション(TC)と組織的措置(OM)の13の次元が,2つの継続的なコアを形成している。 モデリングと仕様(MS)はコア間の仲介を行う。 ライフサイクルマッピングは、要求・設計(MS, GA)、実施・検証(PET, VT, PM, TC)、運用・廃止(GA, OM)、データ主体権管理(DSRM)、インシデント対応・管理(IRM)、寿命管理(LM)における集中度を示す。 ハンドオフは、モデルとルールとテスト、メトリクスとエンクレーブや台帳などのデプロイメントのメカニズムをガバナンスレコードにリンクする。 医療重量 GA は VT と PET で、IoT とエッジ重量 PET は VT と PM で、Web 測定重量 TC は VT と AI と ML は PM で、それぞれ異なる。 IRM, LM, データ最小化と目的限界 (DMPL) はプライマリ・ファシ (プライマリ・フォシ) ではなく, 今後の作業の優先事項である。 結果は、実用的なマップと、評価と更新のためのレプリケーション対応の足場を提供する。

関連論文リスト

• VISTA: Vision-Grounded and Physics-Validated Adaptation of UMI data for VLA Training [52.05483137072975]
  Universal Manipulation Interface (UMI)は、ハードウェア固有の遠隔操作なしでスケーラブルな実世界のロボットデータ収集を可能にする。 VISTAは、この2つのギャップを3つの相乗的コンポーネントを通して橋渡しするフレームワークである。 我々は,物理検証パイプライン,UMI-VQA,検証された軌道データ,コミュニティのための事前学習モデルをリリースする。
  論文  参考訳（メタデータ） (2026-06-03T10:38:45Z)
• MLIPilot: LLM-Driven Auto-Research for Machine-Learned Interatomic Potentials [0.0]
  MLIPilotは、ツールコールによる大規模言語モデルによる仮説の提案、MLIPトレーニングコードの編集、HPCジョブの起動、修正された物理的制約付きスコアカードによる変更の受け入れまたは反転を行う自動検索フレームワークである。 GPT-5.5, GPT-4.1, Mistral-24B, Qwen3-32B を含む商用およびオープンウェイト LLM エージェントを用いた MACE 電位最適化における MLIPilot の評価を行った。
  論文  参考訳（メタデータ） (2026-05-29T06:25:47Z)
• Privacy-Preserving IoT in Connected Aircraft Cabin [1.1882429922524669]
  現代の航空機キャビンのような共有されたマルチベンダ環境におけるIoTデバイスの普及は、データコラボレーションの約束と、乗客のプライバシーに対するリスクの衝突を引き起こす。 本稿では,CSMIMのようなアーキテクチャ上にプライバシ・エンハンシング・テクノロジー(PET)の層を統合することにより,このギャップを埋めるフレームワークを提案し,評価する。 リソース制約のあるハードウェアで高忠実なテストベッドを使用して、データのプライバシ、ユーティリティ、コンピューティングパフォーマンスのトレードオフを定量化する。
  論文  参考訳（メタデータ） (2025-11-19T09:41:25Z)
• ALL-PET: A Low-resource and Low-shot PET Foundation Model in Projection Domain [33.678018449132715]
  ALL-PETはプロジェクションドメインで直接動作する低解像度の低ショットPETファンデーションモデルである。 ランダム化された画像ドメインマスクをシングラム空間に投影することで、20万以上の構造的に多様なトレーニングサンプルを生成する。 低用量再構成、減衰補正、遅延フレーム予測、トレーサ分離などのタスクを一般化し、24GB以下のメモリ使用で効率的に動作させる。
  論文  参考訳（メタデータ） (2025-09-11T04:03:52Z)
• How do Pre-Trained Models Support Software Engineering? An Empirical Study in Hugging Face [52.257764273141184]
  オープンソースの事前訓練モデル(PTM)は、さまざまな機械学習(ML)タスクに広範なリソースを提供する。 これらのリソースには、ソフトウェア工学(SE)のニーズに合わせた分類がない。 私たちは147のSEタスクを含む分類法を導き、人気のあるオープンソースMLリポジトリであるHugging Face (HF)において、SE指向の分類をPTMに適用する。 PTMではコード生成が最も一般的なSEタスクであるのに対して、要件エンジニアリングとソフトウェア設計のアクティビティは限定的な注目を集めている。
  論文  参考訳（メタデータ） (2025-06-03T15:51:17Z)
• Towards a Classification of Open-Source ML Models and Datasets for Software Engineering [52.257764273141184]
  オープンソースの事前訓練モデル(PTM)とデータセットは、さまざまな機械学習(ML)タスクに広範なリソースを提供する。 これらのリソースには、ソフトウェア工学(SE)のニーズに合わせた分類がない。 我々は、人気のあるオープンソースのMLリポジトリであるHugging Face (HF)上で、SE指向の分類をPTMとデータセットに適用し、時間とともにPTMの進化を分析する。
  論文  参考訳（メタデータ） (2024-11-14T18:52:05Z)
• Investigation on domain adaptation of additive manufacturing monitoring systems to enhance digital twin reusability [12.425166883814153]
  機械学習(ML)ベースのモデリングを使用したデジタルツイン(DT)は、AMプロセスの監視と制御のためにデプロイできる。 メルトプールは、プロセス監視において最もよく見られる物理現象の1つである。 本稿では,AM DTの再利用性を高めるため,異なるAM設定間の知識伝達パイプラインを提案する。
  論文  参考訳（メタデータ） (2024-09-19T13:54:01Z)
• ConPET: Continual Parameter-Efficient Tuning for Large Language Models [65.48107393731861]
  継続的な学習には、新しいタスクへのモデルの継続的な適応が必要である。 継続性を提案する。 効率的なチューニング(ConPET) - 一般化可能なパラダイム。 大規模言語モデルの連続的なタスク適応。
  論文  参考訳（メタデータ） (2023-09-26T08:52:04Z)
• Convolutional Monge Mapping Normalization for learning on sleep data [63.22081662149488]
  我々は、CMMN(Convolutional Monge Mapping Normalization)と呼ばれる新しい手法を提案する。 CMMNは、そのパワースペクトル密度(PSD)をトレーニングデータに基づいて推定されるワッサーシュタインバリセンタに適応させるために、信号をフィルタリングする。 睡眠脳波データに関する数値実験により、CMMNはニューラルネットワークアーキテクチャから独立して、顕著で一貫したパフォーマンス向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2023-05-30T08:24:01Z)
• A Unified Continual Learning Framework with General Parameter-Efficient Tuning [56.250772378174446]
  「事前学習$rightarrow$ダウンストリーム適応」は、継続学習の新しい機会と課題を提示する。 我々は,PETの1つのインスタンス化としてプロンプトを位置づけ,ラーニング・アキュミュレーション・アンサンブル(LAE)と呼ばれる統一的なCLフレームワークを提案する。 PET(Adapter、LoRA、Prefixなど)は、トレーニング済みのモデルをより少ないパラメータとリソースで下流のタスクに適応させることができる。
  論文  参考訳（メタデータ） (2023-03-17T15:52:45Z)
• Am I fit for this physical activity? Neural embedding of physical conditioning from inertial sensors [0.0]
  Inertial Measurement Unit(IMU)センサーは、スマートフォンやフィットネスウォッチなど、日常のデバイスではますます普及している。 本稿では,畳み込み層とLSTM層からなるニューラルネットワークアーキテクチャを提案する。 公共データセット(PAMAP2, PPG-DaLiA)で利用可能なIMUセンサデータから,23名の被験者の心拍数を予測した際に,PCE-LSTMと呼ばれるモデルを評価した。 PCE-LSTMは平均絶対誤差を10%以上下げる。
  論文  参考訳（メタデータ） (2021-03-22T18:00:27Z)

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。