論文の概要: Privacy Foundations for Multi-Institutional Scientific Artificial Intelligence

• arxiv url: http://arxiv.org/abs/2609.39787v1
• Date: Wed, 30 Sep 2026 14:08:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.873383
• Title: Privacy Foundations for Multi-Institutional Scientific Artificial Intelligence
• Title（参考訳）: 多施設科学人工知能のためのプライバシ基盤
• Abstract要約: この視点は、科学的AIのプライバシを、6つの要素によって定義された保証問題として再認識する。 その結果得られたギャップの2つは、リーダーシップ階級の施設に特化している。
• 参考スコア（独自算出の注目度）: 20.213444327701932
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific artificial intelligence (AI), spanning foundation models (FMs) to federated data-analysis pipelines, is becoming shared infrastructure across national laboratories, universities, hospitals, and industrial partners. This collaboration creates privacy risks whose natural unit is often an institution's participation, research strategy, or technical capability rather than a single record. Differential privacy (DP), federated learning (FL), secure computation, trusted execution, and provenance each protect parts of the stack, but their guarantees rarely compose across mixed-trust institutions, access tiers, and autonomous agents. This perspective recasts privacy for scientific AI as an assurance problem defined by six elements: protected asset, observer, channel, permitted disclosure, guarantee, and evidence. We demonstrate the framing through a claim register for a composite cross-institutional scenario and use it to assess the model lifecycle. Two of the resulting gaps are specific to leadership-class facilities: scheduler, allocation, and telemetry metadata expose an institution's resource posture, and instrument-attached control loops leak research strategy through timing and contention on shared accelerators. We identify six research priorities: institution-level guarantees, agent-communication privacy, cross-tier information flow, privacy-compatible reproducibility, leadership-scale accounting, and instrument side channels. The contribution is a common form for stating, comparing, and auditing claims whose guarantees otherwise remain fragmented across the scientific AI stack.
• Abstract（参考訳）: 科学人工知能(AI)は、ファウンデーションモデル(FM)からフェデレーションされたデータ分析パイプラインにまたがるもので、国立研究所、大学、病院、工業パートナー間で共通のインフラとなっている。 このコラボレーションは、自然単位が単一の記録ではなく、しばしば機関の参加、研究戦略、技術的能力であるプライバシーリスクを生み出す。 異なるプライバシ(DP)、フェデレーション学習(FL)、セキュアな計算、信頼性の高い実行、各スタックの保護部分の証明は、これらの保証は、混合トラスト機関、アクセス層、自律エージェント間で構成されることは滅多にない。 この視点は、科学AIのプライバシを、保護資産、オブザーバ、チャネル、許可された開示、保証、証拠の6つの要素によって定義される保証問題として再考する。 本稿では,複合施設間シナリオのクレームレジスタによるフレーミングを実演し,モデルライフサイクルの評価に利用する。 その結果得られた2つのギャップは、スケジューラ、アロケーション、テレメトリのメタデータが機関のリソースの姿勢を公開し、機器付き制御ループが共有アクセラレーターのタイミングと競合を通じて研究戦略をリークする。 機関レベルの保証、エージェントコミュニケーションプライバシ、クロス層情報フロー、プライバシ互換の再現性、リーダーシップスケールの会計、機器サイドチャネルの6つの研究優先順位を特定します。 このコントリビューションは、科学的AIスタック全体で保証が断片化されているクレームを記述、比較、監査するための一般的な形式である。

関連論文リスト

• Communication-Efficient and Privacy-Adaptable Mechanism -- a Federated Learning Scheme with Convergence Analysis [4.726777092009554]
  フェデレートされた学習は、複数のパーティが、自身の基盤となるデータを共有することなく、共同で学習モデルをトレーニングすることを可能にする。 最近の研究は、CEPAM(Communication-Efficient and Privacy-Adaptable Mechanism)と呼ばれる新しいアプローチを導入している。 CEPAMのプライバシー保証と収束特性を理論的に解析する。
  論文  参考訳（メタデータ） (2026-01-15T18:55:00Z)
• SynBench: A Benchmark for Differentially Private Text Generation [35.908455649647784]
  医療や金融といった高度な分野におけるデータ駆動型意思決定のサポートは、データ共有にとって大きな障壁に直面している。 大規模言語モデルのような最近の生成AIモデルは、オープンドメインタスクにおいて印象的なパフォーマンスを示している。 しかし、彼らのセンシティブな環境への導入は、予測不可能な振る舞いと、プライバシー保護の不十分なデータセットによって制限されている。
  論文  参考訳（メタデータ） (2025-09-18T03:57:50Z)
• Zero-Trust Foundation Models: A New Paradigm for Secure and Collaborative Artificial Intelligence for Internet of Things [61.43014629640404]
  Zero-Trust Foundation Models (ZTFM)は、ゼロトラストセキュリティの原則をIoT(Internet of Things)システムの基盤モデル(FM)のライフサイクルに組み込む。 ZTFMは、分散、異質、潜在的に敵対的なIoT環境にわたって、セキュアでプライバシ保護のAIを可能にする。
  論文  参考訳（メタデータ） (2025-05-26T06:44:31Z)
• 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)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)
• Privacy and Trust Redefined in Federated Machine Learning [5.4475482673944455]
  参加者間の信頼できるフェデレーション学習を容易にするプライバシー保護型分散型ワークフローを紹介します。 適切な当局から発行された認証クレデンシャルを保有する団体のみが、安全で認証された通信チャネルを確立することができる。
  論文  参考訳（メタデータ） (2021-03-29T16:47:01Z)
• A Distributed Trust Framework for Privacy-Preserving Machine Learning [4.282091426377838]
  本稿では,分散エージェント間のピアツーピア信頼を促進するために使用される分散インフラストラクチャについて概説する。 Hyperledger Aries、分散識別子(DID)、検証クレデンシャル(VC)を使用した概念実証について詳述する。
  論文  参考訳（メタデータ） (2020-06-03T18:06:13Z)

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。