論文の概要: GDPR-Aware Trajectory Sharing for ISAC-Assisted Robot Navigation: A Case Study on FID-Constrained Collision Prediction

• arxiv url: http://arxiv.org/abs/2607.03254v1
• Date: Fri, 03 Jul 2026 12:14:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 12:51:55.457849
• Title: GDPR-Aware Trajectory Sharing for ISAC-Assisted Robot Navigation: A Case Study on FID-Constrained Collision Prediction
• Title（参考訳）: ISAC支援ロボットナビゲーションのためのGDPR対応軌道共有:FID制約による衝突予測を事例として
• Abstract要約: FID制御された共有は、ミス・衝突率と一致した固定エラートレースよりも厳格に優れたプライバシーユーティリティトレードオフを実現する。 技術的漏洩の最小化は、情報認識摂動対策を確立する。 実験により、FIDが制御する共有は、固定エラートレースとミス・コンフリクトレートとの整合性よりも、厳格に優れたプライバシーとユーティリティのトレードオフを実現することが示された。
• 参考スコア（独自算出の注目度）: 29.756202665393943
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrated sensing and communication (ISAC) enables intelligent wireless infrastructure but raises growing regulatory concern as fine-grained personal trajectory histories become a byproduct of sensing. General Data Protection Regulation (GDPR) Articles 5(1)(c) and 5(1)(f) require that personal data be limited to what is necessary and protected through appropriate technical measures against unauthorised reconstruction. This paper addresses both requirements through a Fisher information density (FID)-constrained trajectory sharing scheme for robot collision avoidance, where sensing estimates are perturbed according to local information content before sharing. Experiments on real pedestrian traces show that FID-controlled sharing achieves a strictly better privacy-utility tradeoff than fixed-error perturbation: at matched missed-conflict rates, reconstruction leakage and sustained exposure lengths are consistently lower, establishing information-aware perturbation as a principled technical measure aligned with GDPR data minimisation and integrity requirements.
• Abstract（参考訳）: 統合センシング通信(ISAC)は、インテリジェントな無線インフラを実現するが、微粒な個人軌道履歴がセンサーの副産物になるにつれて規制上の懸念が高まる。 一般データ保護規則(GDPR)第5条(1)(c)及び第5条(1)(f)は、個人データが必要なものに制限され、不正な再建に対する適切な技術的措置によって保護されることを要求する。 本稿では,ロボット衝突回避のためのFID(Fisher Information density)制約付き軌道共有スキームを通じて,両者の要件に対処する。 実際の歩行者トレースに関する実験では、FIDが制御する共有は、固定エラーの摂動よりも厳格に優れたプライバシーとユーティリティのトレードオフを達成している。

関連論文リスト

• AmbSentry: Mitigating Sensing Eavesdropping in ISAC Systems by Harnessing Ambient IoT Devices [60.083979780396014]
  6Gネットワークの重要なパラダイムとして、ISAC(Integrated Sensistance and Communication)が登場している。 本稿では,盗聴者に対する検知情報の漏洩を防止するISACシステムであるAmbSentryを提案する。
  論文  参考訳（メタデータ） (2026-08-12T08:42:05Z)
• SP2UBI: Secure and Privacy-Preserving Usage-Based Insurance [0.0]
  本稿では,相互機密性を保証するプライバシ保護型UBIソリューションであるSP2UBIを提案する。 Torus Fully Homomorphic Encryptionスキームを利用することで、直接暗号化データ上で計算を行う。 センサレベルの操作に対してデータの整合性を保護するため、SP2UBIはISAC(Integrated Sensing and Communications)技術を利用した速度検証システムを採用している。
  論文  参考訳（メタデータ） (2026-08-02T23:20:15Z)
• GDPR-Compliant Person Recognition in Industrial Environments Using MEMS-LiDAR and Hybrid Data [0.0]
  本稿では,マイクロ・エレクトロ・メカニカル・システム・LiDAR(MEMS-LiDAR)に基づくプライバシに準拠したアプローチを提案する。 MEMS-LiDARは匿名化された3Dポイントクラウドのみをキャプチャし、個人識別機能を回避する。 その結果,実データのみを訓練したモデルと比較して,ハイブリッドデータの平均精度は44ポイント向上した。
  論文  参考訳（メタデータ） (2026-02-02T07:48:03Z)
• SAFE: Secure and Accurate Federated Learning for Privacy-Preserving Brain-Computer Interfaces [9.411011131466426]
  本稿では,モデルトレーニング中にデータをローカルに保つことにより,ユーザのプライバシを保護するためのフェデレート学習ベースのアプローチであるSAFEを提案する。 SAFEは、プライバシ保護を確保しながら、デコード精度と敵の堅牢性の両方において、14の最先端アプローチを一貫して上回りました。 我々の知る限り、SAFEは、ターゲットの被検体の校正データを用いることなく、高い復号精度、強い敵対的堅牢性、信頼性の高いプライバシ保護を同時に達成する最初のアルゴリズムである。
  論文  参考訳（メタデータ） (2026-01-09T13:29:41Z)
• Adversary-Aware Private Inference over Wireless Channels [51.93574339176914]
  ワイヤレスエッジデバイスにおけるAIベースのセンシングは、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 機密性の高い個人情報は敵によって再構築できるため、プライバシー侵害のリスクを軽減するために特徴の変換が必要である。 本稿では,デバイスがモデルサーバに送信する前に抽出した特徴の変換を適用する,プライバシ保護型AIベースセンシングのための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-23T13:02:14Z)
• Differential Privacy for Regulatory Compliance in Cyberattack Detection on Critical Infrastructure Systems [0.0]
  本稿では、CIN利害関係者のプライバシー懸念を緩和しつつ、規制の信頼性を高めるためのサイバー攻撃検出フレームワークを提案する。 本手法は,非DPケースに匹敵する誤分類エラー率を誘導し,堅牢なプライバシ保証を実現する。
  論文  参考訳（メタデータ） (2025-08-11T17:10:49Z)
• Context-Aware Online Conformal Anomaly Detection with Prediction-Powered Data Acquisition [35.59201763567714]
  文脈認識型共形オンライン異常検出(C-PP-COAD)を導入する。 本フレームワークは,データ不足を軽減するために合成キャリブレーションデータを戦略的に活用し,コンテキストに基づく実データの統合を適応的に行う。 C-PP-COADは、偽発見率(FDR)を保証せずに、実際のキャリブレーションデータへの依存を著しく低減することを示した。
  論文  参考訳（メタデータ） (2025-05-03T10:58:05Z)
• Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
  我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。 モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
  論文  参考訳（メタデータ） (2025-04-27T04:26:02Z)
• 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)
• 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)
• Distributed Machine Learning and the Semblance of Trust [66.1227776348216]
  フェデレートラーニング(FL)により、データ所有者はデータを共有することなく、データガバナンスを維持し、モデルトレーニングをローカルで行うことができる。 FLと関連する技術は、しばしばプライバシー保護と表現される。 この用語が適切でない理由を説明し、プライバシの形式的定義を念頭に設計されていないプロトコルに対する過度な信頼に関連するリスクを概説する。
  論文  参考訳（メタデータ） (2021-12-21T08:44:05Z)
• Privacy Preservation in Federated Learning: An insightful survey from the GDPR Perspective [10.901568085406753]
  この記事は、フェデレーテッドラーニングに使用できる最先端のプライバシー技術に関する調査に特化している。 近年の研究では、FLにおけるデータの保持と計算は、プライバシ保証者にとって不十分であることが示されている。 これは、FLシステム内のパーティ間で交換されるMLモデルパラメータが、いくつかのプライバシ攻撃で悪用されるためである。
  論文  参考訳（メタデータ） (2020-11-10T21:41:25Z)
• Privacy-preserving Traffic Flow Prediction: A Federated Learning Approach [61.64006416975458]
  本稿では,フェデレート学習に基づくGated Recurrent Unit Neural Network Algorithm (FedGRU) というプライバシ保護機械学習手法を提案する。 FedGRUは、現在の集中学習方法と異なり、安全なパラメータアグリゲーション機構を通じて、普遍的な学習モデルを更新する。 FedGRUの予測精度は、先進的なディープラーニングモデルよりも90.96%高い。
  論文  参考訳（メタデータ） (2020-03-19T13:07:49Z)

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。