論文の概要: PrivDev: Mapping Static-Analysis Data Types to DPV
- arxiv url: http://arxiv.org/abs/2610.03518v1
- Date: Fri, 02 Oct 2026 16:11:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:14:30.470871
- Title: PrivDev: Mapping Static-Analysis Data Types to DPV
- Title（参考訳）: PrivDev: 静的分析データ型をDPVにマッピングする
- Abstract要約: 静的解析スキャナーはソースコード中の個人データ型を識別できるが、それらの発見を標準化されたプライバシー語彙に結びつけるメカニズムが欠如している。
PrivDevは122 Bearer CLIのデータタイプをData Privacy Personal Data (DPV-PD)カテゴリにマップし、それらと潜在的に関連する条項をリンクする。
以上の結果から,提案したマッピングは信頼性が高く再現可能であるとともに,スキャナ定義データ型ラベルの曖昧さやDPV-PDのカバレッジギャップも明らかである。
- 参考スコア（独自算出の注目度）: 0.09332987715848712
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Static-analysis scanners can identify personal-data types in source code, but they lack mechanisms to connect these findings to standardized privacy vocabularies. PrivDev maps 122 Bearer CLI data types to Data Privacy Vocabulary Personal Data (DPV-PD) categories and links them to potentially relevant GDPR provisions. Our approach combines deterministic mapping for 43 exact-label matches with a retrieval-grounded Large Language Model (LLM) to resolve the remaining 79 non-trivial mappings. The resulting RDF knowledge graph contains 118 ODRL policy resources that were structurally validated using SHACL. The artifact passed five complementary validation gates that cover structural correctness, query consistency, retrieval quality, LLM-based assessment, and human evaluation. In human evaluation, nine annotators produced 711 judgments, yielding a raw agreement of 0.72, Gwet's AC1 of 0.68, and Gwet's AC2 of 0.88. Our results indicate that the proposed mappings are plausible and reproducible, while also revealing ambiguities in scanner-defined data-type labels and coverage gaps in DPV-PD.
- Abstract（参考訳）: 静的解析スキャナーはソースコード中の個人データ型を識別できるが、それらの発見を標準化されたプライバシー語彙に結びつけるメカニズムが欠如している。
PrivDevは122 Bearer CLIデータタイプをData Privacy Vocabulary Personal Data (DPV-PD)カテゴリにマップし、関連するGDPR規定にリンクする。
提案手法は,43の正確なラベルマッチングに対する決定論的マッピングと検索基底のLarge Language Model(LLM)を組み合わせることで,残りの79の非自明なマッピングを解決する。
得られたRDF知識グラフには、SHACLを用いて構造的に検証された118のODRLポリシーリソースが含まれている。
このアーティファクトは5つの補完的な検証ゲートを通過し、構造的正確性、クエリ一貫性、検索品質、LLMに基づく評価、人的評価をカバーした。
人間の評価では、9つのアノテーターが711の判定を行い、GwetのAC1が0.68で、GwetのAC2が0.88で一致した。
以上の結果から,提案したマッピングは信頼性が高く再現可能であるとともに,スキャナ定義データ型ラベルの曖昧さやDPV-PDのカバレッジギャップも明らかである。
関連論文リスト
- Extracting Dataset Mentions in Forced Displacement and FCV Documents: A Weakly Supervised Framework with LLM-Based Label Refinement [0.0]
本稿では,データセット抽出を強制変位,Fragile,Conflict, Violence(FCV)文書に適用するためのフレームワークを提案する。
一般的な研究文献に基づいて訓練された軽量モデルは、ラベルのないドメイン文書から候補データセットの言及を生成する。
我々は、研究、人道、運用文書にまたがる1,706本のテキストパスの独立したゴールドスタンダード・ベンチマークで、結果のモデルを評価した。
論文 参考訳（メタデータ） (2026-09-10T18:34:08Z) - PolicyGuard: Prompt-Configurable Semantic DLP for LLM Coding Agents [0.8836202788658859]
既存のデータ損失防止ソリューションは、厳格なパターン、モデル微調整、カスタマイズ可能なベンダー管理型分類器に依存している。
自然言語ポリシーファイルを使用してプロンプトを分類するプレモデルインターセプションフレームワークであるPhysageGuardを提案する。
主な貢献は,(1) 分類基準がコード変更やモデル再訓練を伴わない非技術者によって編集可能なポリシー文書で完全に定義されるポリシ・アズ・プロンプト・パラダイム,(2) テンプレート・ファミリーレベルのデータ分割,隠蔽ホールドアウト,凍結したテストセットによる一般化の厳密な評価を行うシールされた評価プロトコルである。
論文 参考訳（メタデータ） (2026-08-03T08:10:15Z) - A Structured Cyber Threat Intelligence Dataset Using STIX 2.1 Entities and MITRE ATT&CK Mappings [0.20415910628419062]
本研究では,150の英語CTIレポートを手作業で構築したデータセットを提案する。
複雑な実体関係と正規化された敵行動を保持するレポートレベルのデータセットは、依然として限られている。
このデータセットは、CTI情報抽出、知識グラフの構築、インシデント分析、脅威属性のベンチマークを提供する。
論文 参考訳（メタデータ） (2026-07-25T17:59:35Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - OpenDataArena: A Fair and Open Arena for Benchmarking Post-Training Dataset Value [74.80873109856563]
OpenDataArena(ODA)は、トレーニング後のデータの本質的な価値をベンチマークするために設計された、総合的でオープンなプラットフォームである。
ODAは4つの主要な柱からなる包括的なエコシステムを確立している。 (i) 多様なモデル間で公平でオープンな比較を保証する統一的なトレーニング評価パイプライン、 (ii) 異なる軸数に沿ってデータ品質をプロファイリングする多次元スコアリングフレームワーク、 (iii) データセットの系図を視覚化してコンポーネントソースを識別するインタラクティブなデータ系統探索である。
論文 参考訳（メタデータ） (2025-12-16T03:33:24Z) - Benchmarking Fraud Detectors on Private Graph Data [70.4654745317714]
現在、多くの種類の不正は、グラフ上で動く自動検出アルゴリズムによって部分的に管理されている。
データ保有者が不正検知器の開発を第三者にアウトソースしようとするシナリオを考察する。
サードパーティは、不正検出をデータ保持者に送信し、これらのアルゴリズムをプライベートデータセットで評価し、その結果を公表する。
本システムに対する現実的なプライバシ攻撃を提案し,評価結果のみに基づいて個人データの匿名化を可能にする。
論文 参考訳（メタデータ） (2025-07-30T03:20:15Z) - Conformal Prediction for Privacy-Preserving Machine Learning [83.88591755871734]
AESで暗号化されたMNISTデータセットの変種を用いて、暗号化されたドメインに直接適用しても、コンフォーマル予測法が有効であることを示す。
我々の研究は、安全でプライバシーに配慮した学習システムにおける原則的不確実性定量化の基礎を定めている。
論文 参考訳（メタデータ） (2025-07-13T15:29:14Z) - Decorrelating Structure via Adapters Makes Ensemble Learning Practical for Semi-supervised Learning [50.868594148443215]
コンピュータビジョンでは、従来のアンサンブル学習法は訓練効率が低いか、限られた性能を示す。
本稿では,視覚的タスクに適応器を用いたDecorrelating Structure(DSA)による軽量,損失関数なし,アーキテクチャに依存しないアンサンブル学習を提案する。
論文 参考訳（メタデータ） (2024-08-08T01:31:38Z) - 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。