自动化隐私决策 —— 如何把握边界?
通过收集健身数据集,进行相关的实证研究,并基于研究结果实现了建议系统,从而帮助用户更好地理解他们的隐私设置,从而更好地保护个人身份信息和表达个人伦理偏好,并实现了较高的准确性。
Apr, 2022
本文提出了一种创建隐私说明的方法,通过识别领域内的重要主题,为决策提供解释方法,并自动生成解释。该方法在一个真实的隐私数据集上进行了测试,并通过用户研究对其进行了评估,以确定哪些因素对用户有影响并找到解释是有用的。
Jan, 2023
通过使用显式地建模不确定性来代表隐私问题,运用证据深度学习自适应分类,结合用户自身对隐私的理解和标签,本文提出了一种个人助手,其能够精确识别不确定的情况,并根据用户的需求提供个性化推荐,从而有助于用户更好地保护自己的隐私。
May, 2022
AUTOPRIV 是第一个自动化的隐私保护方法,利用元学习自动化进行去身份化过程,有助于安全发布用于机器学习任务的数据。它通过提供一系列有前景的解决方案来预测预测性能和隐私风险,从而在新领域内实现最佳近似。通过将计算复杂性和能源消耗大大降低,AUTOPRIV 具有很高的效能。
Jun, 2024
本研究介绍和探讨了个性化隐私经济学,其中人们可以选择以持续或按需方式分享个人信息,以换取在网上服务质量方面的预期提高,并在网页搜索的情况下,制定了现实目标函数以实现效用和隐私的平衡,并通过一项规模较大的调查,评估了用户对隐私和效用的偏好。
Jan, 2014
该研究提出了一种基于可视化隐私顾问的方法,在图像内容方面扩展用户的隐私设置,以减轻用户分享图片带来的隐私风险和隐私泄露的风险。通过将个人信息映射为图像属性,从图像直接预测个人信息,了解不同用户在隐私属性方面的偏好,并在此基础上提出模型以预测用户在隐私风险方面的表现,并在一定程度上优于用户自己的隐私风险认知。
Mar, 2017
本文介绍了 PrivacyQA 数据集,以及采用神经网络进行隐私政策问题回答的方法和挑战。PrivacyQA 数据集包括 1750 个问题和 3500 个相关答案的专业注释,研究表明,当前的神经网络方法在回答隐私政策问题上存在诸多问题,该数据集为未来的问题回答系统提供了巨大的改进空间。
Nov, 2019
保护隐私是计算社会科学、人工智能和数据科学等领域中的重要问题,本文讨论了隐私的角色和研究人员在这些领域可能面临的主要问题,并提出了保护参与者隐私的若干重要考虑因素。
Apr, 2024
本文对机器学习与隐私问题进行了综述,涵盖了三种交互方式:(i) 私有机器学习,(ii) 机器学习辅助隐私保护,以及 (iii) 基于机器学习的隐私攻击和相应的保护方案,总结了各个领域内的研究进展和关键挑战,并提出了未来的研究方向。
Nov, 2020
通过监督学习,我们设计了一种智能的在线隐私保护方法,以检测和阻止可能侵犯用户隐私的数据收集,从而为用户恢复了一定的数字化隐私,我们的评估结果展示了我们的方法的可行性和潜力。
Apr, 2023