論文の概要: ReLEAF: A Socio-Technical Framework Bridging Custodians and Researchers for Trustworthy Data Sharing
- arxiv url: http://arxiv.org/abs/2610.02720v1
- Date: Fri, 02 Oct 2026 02:57:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.174109
- Title: ReLEAF: A Socio-Technical Framework Bridging Custodians and Researchers for Trustworthy Data Sharing
- Title（参考訳）: ReLEAF: 信頼できるデータ共有のためのカストディア人と研究者を橋渡しする社会技術的フレームワーク
- Abstract要約: 教育用実世界のデータ(ERWD)は、学習プラットフォームや制度システムにまたがって収集されている。
2段階のデータ共有を運用することで、データカストディアと研究者を橋渡しするフレームワークであるReLEAFを提案する。
- 参考スコア（独自算出の注目度）: 0.28675177318965034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Growing volumes of educational real-world data (ERWD) are being collected across learning platforms and institutional systems. Sharing these data within the Learning Analytics community offers substantial research opportunities, yet access remains limited by ethical, regulatory and governance constraints. Prior work has primarily focused on anonymisation techniques, but little attention has been paid to operational design of practical ERWD sharing, particularly how data custodians and researchers interact through privacy-preserving access mechanisms. To address this gap, we propose ReLEAF, a socio-technical framework that bridges data custodians and researchers by operationalising two-stage data sharing: 1) Differentially private synthetic data are shared for exploratory analysis, and 2) controlled real-data validation is performed on demand. Following a design-science research approach, we refine and formatively evaluate ReLEAF through three cycles involving 4 graduate students, 6 researchers, and 90 undergraduate students, respectively. Three design principles emerged through the cycles: P1) position privacy-preserving access mechanisms within the research workflow, P2) make the conditions for acceptable secondary use explicit and actionable, and P3) promote engagement with governance requirements rather than automate compliance decisions. Together, ReLEAF provides a concrete framework for trustworthy ERWD sharing, while the design principles offer transferable guidance for other data-sharing contexts.
- Abstract（参考訳）: 教育用実世界のデータ(ERWD)は、学習プラットフォームや制度システムにまたがって収集されている。
これらのデータをLearning Analyticsコミュニティ内で共有することは、かなりの研究機会を提供するが、倫理、規制、ガバナンスの制約によってアクセスは制限されている。
従来の研究は主に匿名化技術に重点を置いていたが、実際のERWD共有の運用設計、特にデータカストディアや研究者がプライバシ保護アクセスメカニズムを通じてどのように相互作用するかにはほとんど注目されていない。
このギャップに対処するため、2段階のデータ共有を運用することで、データカストディアと研究者を橋渡しする社会技術フレームワークであるReLEAFを提案する。
1) 探索分析のために、異なるプライベートな合成データが共有され、
2)要求に応じて実データ検証を行う。
4人の大学院生,6人の研究者,90人の学部生を含む3サイクルでReLEAFを洗練・形式的に評価する。
P1) 研究ワークフロー内でのプライバシ保護アクセスメカニズムの位置付け、P2) 二次的使用の条件を明確かつ実行可能なものにすること、P3) コンプライアンス決定の自動化よりもガバナンス要件への関与を促進すること、の3つの設計原則がサイクルを通じて登場した。
ReLEAFは、信頼できるERWD共有のための具体的なフレームワークを提供し、設計原則は、他のデータ共有コンテキストに対する転送可能なガイダンスを提供する。
関連論文リスト
- Privacy Foundations for Multi-Institutional Scientific Artificial Intelligence [20.213444327701932]
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。
論文 参考訳（メタデータ） (2026-09-30T14:08:13Z) - A Privacy-Preserving Framework Using Remote Data Science for Inter-Institutional Student Retention Prediction [0.8688994028210383]
本研究では、PySyftプラットフォームを用いたプライバシー保護機械学習(PPML)技術について検討する。
我々は,高層サーバと低層サーバからなる半空化アーキテクチャを用いた遠隔データサイエンスフレームワークを開発した。
我々は,3つの合成データ生成手法を評価し,制度間協調による枠組みの検証を行った。
論文 参考訳（メタデータ） (2026-06-11T03:18:50Z) - Federated Inference: Toward Privacy-Preserving Collaborative and Incentivized Model Serving [11.957307199198928]
フェデレーション推論(FI)は、独立して訓練された個人所有のモデルが、データやモデルパラメータを共有することなく、推論時にどのように協力するかを研究する。
本稿では、FIをフェデレーション学習を補完する、異なる協調パラダイムとして位置づける。
我々は,その実現可能性を管理する基本的な要件として,推論時のプライバシ保護と,協調による有意義なパフォーマンス向上の2つを特定した。
論文 参考訳（メタデータ） (2026-02-09T11:13:04Z) - From Statistical Disclosure Control to Fair AI: Navigating Fundamental Tradeoffs in Differential Privacy [0.0]
差別化プライバシは、プライバシ保護機械学習システムのゴールドスタンダードとなっている。
本稿では,3つのスレッドを接続する体系的処理を行う: セマンティックプライバシに対するダレニウスの不合理性, 達成可能な代替手段としてのDworkの差分プライバシー, 公平性要件の追加による創発的不合理性結果。
論文 参考訳（メタデータ） (2026-01-25T17:07:00Z) - A Tale of Two Experts: Cooperative Learning for Source-Free Unsupervised Domain Adaptation [59.88864205383671]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、ソースデータにアクセスすることなく、ターゲットドメインにソース学習モデルを適用するという現実的な課題に対処する。
既存のSFUDA手法は、ソースモデルの予測のみを利用するか、大きなマルチモーダルモデルを微調整する。
本稿では、補完的な洞察と対象データの潜在構造を利用するためのエキスパート協調学習(EXCL)を提案する。
論文 参考訳（メタデータ） (2025-09-26T11:39:50Z) - Are Data Experts Buying into Differentially Private Synthetic Data? Gathering Community Perspectives [14.736115103446101]
アメリカ合衆国では、差分プライバシー(DP)がプライバシ保護データ分析の技術的運用の主流となっている。
本研究はDPメカニズムの1つのクラスであるプライベートデータシンセサイザーについて質的に検討する。
論文 参考訳（メタデータ） (2024-12-17T15:50:14Z) - Towards Split Learning-based Privacy-Preserving Record Linkage [49.1574468325115]
ユーザデータのプライバシが要求されるアプリケーションを容易にするために、Split Learningが導入されている。
本稿では,プライバシ保護記録マッチングのための分割学習の可能性について検討する。
論文 参考訳（メタデータ） (2024-09-02T09:17:05Z) - FewFedPIT: Towards Privacy-preserving and Few-shot Federated Instruction Tuning [54.26614091429253]
フェデレーション・インストラクション・チューニング(FedIT)は、複数のデータ所有者間で協調的なトレーニングを統合することで、有望なソリューションである。
FedITは、インストラクショナルデータの不足や、トレーニングデータ抽出攻撃への露出リスクなどの制限に直面している。
本稿では,FewFedPITを提案する。このFewFedPITは,フェデレートされた数ショット学習のプライバシー保護とモデル性能を同時に向上する。
論文 参考訳（メタデータ） (2024-03-10T08:41:22Z) - Exploring Federated Unlearning: Review, Comparison, and Insights [101.64910079905566]
フェデレーション・アンラーニングは、フェデレーション・システムで訓練されたモデルからデータを選択的に除去することを可能にする。
本稿では,既存のフェデレーション・アンラーニング手法について検討し,アルゴリズムの効率,モデル精度への影響,プライバシ保護の有効性について検討する。
フェデレートされたアンラーニング手法を評価するための統一ベンチマークであるOpenFederatedUnlearningフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-30T01:34:33Z)
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。