Effiziente Verfahren zum Schutz der Privatsphäre bei der Veröffentlichung von Bevölkerungsdaten: Synthetische Daten vs. TopDown-Algorithmus
Der TopDown-Algorithmus erzielt signifikant bessere Genauigkeit als synthetische Datengenerierung bei Abfragen, die im Vorfeld bekannt sind, während synthetische Daten flexibler sind, wenn die Abfragen unbekannt sind.
Wie Nutzer die Offenlegungsrisiken und -vorteile bei der Verwendung von auf großen Sprachmodellen basierenden Conversational Agents navigieren
Nutzer sind ständig mit Abwägungen zwischen Privatsphäre, Nützlichkeit und Bequemlichkeit konfrontiert, wenn sie auf auf großen Sprachmodellen basierende Conversational Agents zurückgreifen. Allerdings führen fehlerhafte mentale Modelle und dunkle Muster im Systemdesign dazu, dass die Nutzer sich der Datenschutzrisiken nicht bewusst sind und ihre Präferenzen nur schwer umsetzen können.
Wie viel Risiko sind Laien bereit einzugehen, um sensible Daten an differentiell-private NLP-Systeme weiterzugeben?
Endnutzer müssen bei der Bestimmung des Privatsphäre-Parameters ε einbezogen werden, da die Wahrnehmung von Privatsphärerisiken zwischen Menschen variiert.
Eine empathiebasierte Sandbox-Methode zur Überbrückung der Datenschutzlücke zwischen Einstellungen, Zielen, Wissen und Verhalten
Eine empathiebasierte Sandbox-Methode, die es Nutzern ermöglicht, in einer risikofreien Umgebung zu erfahren, wie sich Datenschutzattribute auf Systembergebnisse auswirken, um ihre Datenschutzliteralität zu verbessern.
Auswirkungen nicht-privater Vorverarbeitung auf die differenzielle Privatsphäre in Maschinenlernpipelines
Die zusätzlichen Datenschutzkosten nicht-privater datenabhängiger Vorverarbeitungsalgorithmen können durch eine neue Variante der differenziellen Privatsphäre, die "Glatte Renyi-Differenzielle Privatsphäre", und die Beschränkung der Sensitivität der Vorverarbeitungsalgorithmen quantifiziert werden.
Nutzererfahrungen mit Google-Kontoeinstellungen zur Datenspeicherung in Saudi-Arabien
Die meisten Teilnehmer haben eine vage Kenntnis über Googles Datenpraktiken und die Aktivitätssteuerung, aber die Mehrheit hat die verfügbaren Kontrollen nicht genutzt. Viele Teilnehmer waren überrascht über das Ausmaß der gespeicherten Daten und lehnen die Verwendung ihrer Daten für Werbezwecke ab, finden es aber akzeptabel, wenn Google die Daten zur Verbesserung seiner Dienste nutzt.
Differenzielle Datenschutzprinzipien: Aktueller Stand und zukünftige Richtungen für den Einsatz in der Praxis
Differenzielle Datenschutzprinzipien (Differential Privacy, DP) haben sich in den letzten zehn Jahren als führendes Konzept für den Schutz der Privatsphäre in statistischen Datenanalysen und Anwendungen des maschinellen Lernens etabliert. Dieser Artikel bietet einen detaillierten Überblick über die aktuellen Praktiken und den Stand der Technik bei DP-Methoden, mit einem Fokus auf die Förderung des Einsatzes von DP in der Praxis.
