Fugu-MT 論文翻訳(概要): Privacy Leakage Through AI-mediated Analysis of Smartphone Data

論文の概要: Privacy Leakage Through AI-mediated Analysis of Smartphone Data

arxiv url: http://arxiv.org/abs/2609.28537v1
Date: Tue, 22 Sep 2026 20:24:00 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-25 21:10:09.387265
Title: Privacy Leakage Through AI-mediated Analysis of Smartphone Data
Title（参考訳）: AIによるスマートフォンデータ分析によるプライバシ漏洩
Abstract要約: アプリコンパイルされたユーザデータを対象とした推論システムであるPriva-Seeを開発した。 Priva-Seeは、ユーザーのデータの一部しかアクセスできないにもかかわらず、プライバシーを侵害する推論を行った。我々は、スマートフォンOSがデータアクセスに対するユーザーの同意を集める方法の変更を提案する。
参考スコア（独自算出の注目度）: 2.574992437262829
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Over the past thirty years, the online advertising industry built a large-scale data collection ecosystem, with the goal of tracking a user's online activity to infer their demographics and interests. Traditionally, the ecosystem relied upon the collation and analysis of highly-structured text data like user IP addresses, GPS coordinates, e-commerce purchase histories, and visited URLs. However, recent ML models can parse not only structured text, but also multimedia files and unstructured text inputs---meaning a user's photos, videos, inboxes, and calendars are now ripe for automated analysis. The privacy risks are particularly acute in the context of smartphone apps. A user's phone already acts as a natural collation point for sensitive user information, but users may not understand that permitting an app to, for example, access a user's photo does not just give the app access to the bytes in the photo: the app also receives access to inferences about the user that are enabled by the photo. To explore these privacy risks, we built Priva-See, an LLM-based inference system for app-collected user data; Priva-See reflects our best understanding of how real-life adtech companies would leverage machine learning to build user profiles. Through an IRB-approved user study, 465 participants deployed Priva-See on their phones; Priva-See made privacy-invasive inferences despite having access to only a subset of a user's data. We see the experience significantly impacted participant willingness to share permissions data moving forward. Based on the observed privacy violations, we suggest changes to how smartphone OSes should gather user consent for data access, to better inform users about downstream data usage capability.
Abstract（参考訳）: 過去30年間で、オンライン広告業界は大規模なデータ収集エコシステムを構築し、ユーザーのオンライン活動を追跡して、人口統計や興味を推測することを目的としていた。伝統的に、エコシステムはユーザーのIPアドレス、GPS座標、eコマース購入履歴、訪問URLといった高度に構造化されたテキストデータの照合と分析に依存していた。しかし、最近のMLモデルは構造化されたテキストだけでなく、マルチメディアファイルや構造化されていないテキスト入力も解析できる。プライバシーのリスクは、スマートフォンアプリの文脈では特に深刻だ。ユーザの携帯電話は、すでにセンシティブなユーザ情報に対する自然な照合ポイントとして機能していますが、例えば、ユーザの写真へのアクセスを許可することは、単に写真のバイトへのアクセスを許可するだけでなく、写真によって有効化されているユーザに関する推論へのアクセスも受け取っています。 Priva-Seeは、現実のアドテック企業がいかに機械学習を利用してユーザープロフィールを構築するかについて、最もよく理解されていることを反映しています。 IRBが承認したユーザスタディを通じて、465人の参加者がPriva-Seeを携帯電話にデプロイした。この経験が、今後のパーミッションデータの共有意欲に大きく影響していると考えています。監視されたプライバシー侵害に基づいて、スマートフォンOSがデータアクセスに対するユーザーの同意を集める方法の変更を提案し、下流のデータ利用能力についてユーザーによりよく知らせる。

関連論文リスト

Profiling for Pennies: Unveiling the Privacy Iceberg of LLM Agents [52.02752011119451]
我々は人間の意識のレンズを通して現実世界におけるプライバシーの認識を調査する。我々は、現実世界の人間のプライバシーリスクを3段階に分類するPrivacyIcebergを提案する。
論文参考訳（メタデータ） (2026-05-07T13:21:44Z)
PrivacyAssist: A User-Centric Agent Framework for Detecting Privacy Inconsistencies in Android Apps [0.9892966978799635]
本稿では,ユーザ・グラウンテッド・パーミッションと開発者が宣言した機密データ収集と共有の慣行の矛盾を検出するマルチエージェントLDMベースのプラットフォームであるPrivacyAssistを提案する。私たちは200人のユーザと2,347のAndroidアプリでPrivacyAssistを評価し、許可されたパーミッションと宣言されたデータプラクティスの間に完全に一貫性があるアプリは16%しかありません。
論文参考訳（メタデータ） (2026-04-25T10:58:05Z)
Guarding Your Conversations: Privacy Gatekeepers for Secure Interactions with Cloud-Based AI Models [0.34998703934432673]
ユーザクエリから機密情報をフィルタリングする,軽量でローカルな実行モデルであるLLMゲートキーパのコンセプトを提案する。人間の被験者による実験を通して、この二重モデルアプローチは、LLM応答の品質を損なうことなく、ユーザのプライバシーを大幅に向上させながら、最小限のオーバーヘッドをもたらすことを示した。
論文参考訳（メタデータ） (2025-08-22T19:49:03Z)
Controlling What You Share: Assessing Language Model Adherence to Privacy Preferences [73.5779077857545]
ローカルモデルがこれらの命令を使ってクエリを書き換えるフレームワークを構築します。軽量なローカルLCMを用いた実験では、微調整後、はるかに大きなゼロショットモデルの性能を著しく上回った。同時に、このシステムは、ユーザー定義プライバシの好みをよりよく理解したモデルの必要性を強調し、ユーザー指示に完全に準拠するという課題に直面している。
論文参考訳（メタデータ） (2025-07-07T18:22:55Z)
Protecting Users From Themselves: Safeguarding Contextual Privacy in Interactions with Conversational Agents [33.26308626066122]
会話エージェント(LCA)とのユーザインタラクションにおけるコンテキストプライバシの概念を特徴付ける。これは、ユーザーが意図した目標を達成するのに必要な情報のみを(ベンダー)が開示することを保証することで、プライバシー上のリスクを最小限にすることを目的としている。本稿では,ユーザとLCA間のローカルデプロイ可能なフレームワークを提案する。
論文参考訳（メタデータ） (2025-02-22T09:05:39Z)
"I'm not for sale" -- Perceptions and limited awareness of privacy risks by digital natives about location data [0.9668407688201359]
我々は,スマートフォン利用者の位置情報データ共有に対する意識,認識,自己報告行動の定量的,質的な分析を行う。参加者の約54%は、データへのアクセスを許可したモバイルアプリケーションの数を過小評価している。被験者の半数以上(57%)が、潜在的に推測される情報の範囲に驚いている。
論文参考訳（メタデータ） (2025-02-17T10:49:23Z)
User Consented Federated Recommender System Against Personalized Attribute Inference Attack [55.24441467292359]
本稿では,ユーザの異なるプライバシーニーズを柔軟に満たすために,ユーザ合意型フェデレーションレコメンデーションシステム(UC-FedRec)を提案する。 UC-FedRecは、ユーザーが様々な要求を満たすためにプライバシー設定を自己定義し、ユーザーの同意を得てレコメンデーションを行うことを可能にする。
論文参考訳（メタデータ） (2023-12-23T09:44:57Z)
Protecting User Privacy in Online Settings via Supervised Learning [69.38374877559423]
我々は、教師付き学習を活用する、オンラインプライバシ保護に対するインテリジェントなアプローチを設計する。ユーザのプライバシを侵害する可能性のあるデータ収集を検出してブロックすることにより、ユーザに対してある程度のディジタルプライバシを復元することが可能になります。
論文参考訳（メタデータ） (2023-04-06T05:20:16Z)
Privacy Explanations - A Means to End-User Trust [64.7066037969487]
この問題に対処するために、説明可能性がどのように役立つかを検討しました。私たちはプライバシーの説明を作成し、エンドユーザの理由と特定のデータが必要な理由を明らかにするのに役立ちました。我々の発見は、プライバシーの説明がソフトウェアシステムの信頼性を高めるための重要なステップであることを示している。
論文参考訳（メタデータ） (2022-10-18T09:30:37Z)

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。