ユーザーのプライバシーを保護しつつ、ユーザーデータの貢献を可能にするフェデレーション推薦システムの提案
プライバシーを保護しつつ、官民のデジタル農業データを統合的に分析できるフレームワークを提案する。
本論文は、差分プライバシーの枠組みの下で、接頭辞木とマルコフ過程を組み合わせることで、元のデータの特性を保ちつつ個人のプライバシーを保護する軌跡合成手法を提案する。
LLMベースの会話型エージェントを使用する際、ユーザーは常に、プライバシー、効用、利便性のトレードオフに直面している。しかし、ユーザーの誤った心モデルと、システム設計における暗黒パターンにより、ユーザーのリスク認識と理解が制限されている。さらに、人間らしい対話が、ユーザーの機密情報開示を助長している。
GANsを使用して生成された合成データには、元の訓練データのサンプルを特定する可能性があり、深刻なプライバシーリスクが存在する。
研究者やシステム開発者だけでなく、実際に潜在的に敏感なデータを共有する人々もプライバシーリスクを考慮すべきである。
Local Differential Privacy(LDP)とBayesian Privacy(ABPおよびMBP)の複雑な関係を探求し、プライバシーとユーティリティのトレードオフに新たな洞察を提供します。
相対L2感度を活用した相対ガウスメカニズムは、プライベート勾配降下に適用可能であり、厳密なプライバシー保証を提供します。
プライバシーポリシーの公正性を自動的に評価する方法論を提案し、情報的公正性、表現的公正性、倫理と道徳の3つの側面を探求しています。