論文の概要: Position: Privacy Is a Claim, Not a Property of Synthetic Data

• arxiv url: http://arxiv.org/abs/2609.01273v1
• Date: Tue, 01 Sep 2026 14:06:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.721424
• Title: Position: Privacy Is a Claim, Not a Property of Synthetic Data
• Title（参考訳）: プライバシーは主張であり、合成データの性質ではない
• Authors: Jiachen Zhao, Antonia Januszewicz, Taeho Jung,
• Abstract要約: 合成データは、脅威モデル、推論リスク、偽造可能なプライバシクレームを明確に記述することなく、プライバシーに敏感な設定で頻繁に使用されることを示す。 我々は、プライバシーを明示的でエビデンスに基づく科学的主張として扱うことを主張し、MLの会場は、プライバシー関連の主張を明確にスコープ化し、検証可能で、競争しやすいものにすることを要求する規範を採用することを推奨する。
• 参考スコア（独自算出の注目度）: 3.6407434534706486
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic data has become a common component of machine learning research. While widely adopted, its use in privacy-sensitive contexts has quietly shifted from a claim of residual inference risk under stated assumptions to an appearance-based property inferred from data generation itself. In this position paper, we argue that this shift reflects an implicit change in community standards for what counts as sufficient privacy evidence, rather than a misunderstanding of well-established privacy principles. Drawing on an empirical analysis of recent publications across major ML venues, we show that synthetic data is frequently used in privacy-sensitive settings without explicit articulation of threat models, inference risks, or falsifiable privacy claims. As a result, privacy assurance often remains implicit, difficult to verify, and unevenly distributed, with heightened exposure for rare and minority records. We argue for treating privacy as an explicit, evidence-based scientific claim and recommend that ML venues adopt norms requiring privacy-relevant assertions to be clearly scoped, testable, and contestable.
• Abstract（参考訳）: 合成データは機械学習研究の共通部分となっている。 広く採用されているが、プライバシに敏感なコンテキストでの使用は、記述された仮定の下での残留推論リスクの主張から、データ生成自体から推測される外見に基づくプロパティへと静かに移行している。 本稿では,この変化が,十分に確立されたプライバシ原則の誤解よりも,十分なプライバシ証拠とみなすコミュニティ標準の暗黙的な変化を反映している,と論じる。 MLの主要な会場における最近の出版物の実証分析に基づいて,脅威モデルや推論リスク,あるいは偽造可能なプライバシのクレームを明確に記述することなく,プライバシに敏感な設定で合成データが頻繁に使用されることを示す。 その結果、プライバシーの保証は暗黙的であり、検証が難しく、不均一に配布され、希少な記録や少数記録の露出が高まった。 我々は、プライバシーを明示的でエビデンスに基づく科学的主張として扱うことを主張し、MLの会場は、プライバシー関連の主張を明確にスコープ化し、検証可能で、競争しやすいものにすることを要求する規範を採用することを推奨する。

関連論文リスト

• Parallel Composition for Statistical Privacy [0.0]
  データベースのサブサンプリングとランダムなパーティショニングに基づいて、クエリ間の依存関係をバインドするプライバシーメカニズムが提案されている。 これらの境界は、分散のエントロピーを考慮に入れた現実的なアプリケーションシナリオにおいて、プライバシと精度保証の改善をもたらすことを示している。
  論文  参考訳（メタデータ） (2026-02-10T10:13:44Z)
• PRIVET: Privacy Metric Based on Extreme Value Theory [8.447463478355845]
  深層生成モデルは、しばしば、遺伝配列、健康データ、より広範に、著作権、ライセンス、保護されたコンテンツなどの機密データに基づいて訓練される。 これにより、プライバシー保護のための合成データ、より具体的にはプライバシー漏洩に関する重要な懸念が持ち上がる。 本稿では,個別のプライバシリークスコアを合成サンプルに割り当てる,汎用的なサンプルベースモダリティ非依存アルゴリズムPRIVETを提案する。
  論文  参考訳（メタデータ） (2025-10-28T09:42:03Z)
• A False Sense of Privacy: Evaluating Textual Data Sanitization Beyond Surface-level Privacy Leakage [77.83757117924995]
  我々は、データリリース時の個人のプライバシーリスクを定量化するために、再識別攻撃を評価する新しいフレームワークを提案する。 本手法は, 衛生データから年齢や物質使用履歴などのセンシティブな属性を推測するために, 一見無害な補助情報を利用できることを示す。
  論文  参考訳（メタデータ） (2025-04-28T01:16:27Z)
• Enforcing Demographic Coherence: A Harms Aware Framework for Reasoning about Private Data Release [14.939460540040459]
  データプライバシに必要であると主張するプライバシ攻撃にインスパイアされた、人口統計コヒーレンスを導入します。 我々のフレームワークは信頼性評価予測に重点を置いており、ほぼすべてのデータインフォームドプロセスから蒸留することができる。 差分的にプライベートなデータリリースはすべて、人口統計学的にコヒーレントであること、および、差分的にプライベートではない人口統計学的にコヒーレントなアルゴリズムがあることを実証する。
  論文  参考訳（メタデータ） (2025-02-04T20:42:30Z)
• PrivacyLens: Evaluating Privacy Norm Awareness of Language Models in Action [54.11479432110771]
  PrivacyLensは、プライバシに敏感な種子を表現的なヴィグネットに拡張し、さらにエージェントの軌跡に拡張するために設計された新しいフレームワークである。 プライバシの文献とクラウドソーシングされたシードに基づいて、プライバシの規範のコレクションをインスタンス化する。 GPT-4やLlama-3-70Bのような最先端のLMは、プライバシー強化の指示が出されたとしても、機密情報を25.68%、38.69%のケースでリークしている。
  論文  参考訳（メタデータ） (2024-08-29T17:58:38Z)
• Synthetic Data: Revisiting the Privacy-Utility Trade-off [4.832355454351479]
  ある記事は、合成データは従来の匿名化技術よりもプライバシーとユーティリティのトレードオフが良くないと述べている。 本稿で記述したプライバシゲームの実装を分析し,高度に専門的で制約のある環境で動作していることを確認した。
  論文  参考訳（メタデータ） (2024-07-09T14:48:43Z)
• How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
  DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。 プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
  論文  参考訳（メタデータ） (2022-11-18T11:39:03Z)

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。