Inverse Privacy
如果某方可以访问您的个人信息,而您却不能,则该信息是反向隐私的。我们分析了反向私人信息的来源,以及它对其他类型的个人信息的主导地位。简而言之,反向隐私问题是不合理的无法访问您的反向隐私信息。我们认为,逆隐私问题有一个基于市场的解决方案。
2015-10-12 cs.CY
Personal Information Privacy Settings of Online Social Networks and their Suitability for Mobile Internet Devices
保护个人信息隐私已成为在线社交网络提供商和用户之间的争议问题。大多数社交网络提供商已经开发了几种技术来减少对用户隐私的威胁和风险。这些风险包括滥用个人信息,可能导致身份盗窃等非法行为。本研究旨在衡量用户保护个人信息隐私的意识,以及他们用来修改隐私设置的隐私系统的适用性。调查结果显示,使用智能手机进行网络服务的比例很高,但目前在线社交网络的隐私设置需要改进,以支持不同类型的手机屏幕。由于大多数用户使用手机进行互联网服务,因此需要开发与手机兼容的隐私设置。选择隐私设置的方法也应该简化,以便为用户提供将与他人共享的数据的清晰画面。这项研究的结果可以用来开发一个新的隐私系统,这将有助于用户从不同的设备,包括移动互联网设备和计算机轻松地控制他们的个人信息。
2013-05-13 cs.CY cs.SI
What's Privacy Good for? Measuring Privacy as a Shield from Harms due to Personal Data Use
提出以危害为中心的隐私概念化框架,通过400名大学生的在线研究,测量AI推断个人数据在教育和就业中引发的14种危害,为公平改善隐私提供理论与实践指导。
2025-06-28 cs.CR cs.CY
A vision for global privacy bridges: Technical and legal measures for international data markets
从信息经济的早期开始,个人数据就一直是其最有价值的资产。尽管有数据保护法和公认的隐私权,但交易个人信息已经成为一种等同于"交易石油"的业务。大多数这种业务是在人民不知情和积极知情同意的情况下进行的。但随着数据泄露和滥用通过媒体公之于众,消费者会做出反应。他们对公司的数据处理做法感到恼火,失去信任,施加政治压力,并开始借助技术工具保护自己的隐私。因此,公司基于个人数据的互联网商业模式不稳定。商业对数据的需求和对隐私的渴望之间出现了公开的冲突。截至2015年,如何解决这一冲突还没有真正的答案。技术专家、经济学家和监管机构正在努力开发技术解决方案和政策,以满足企业对更多数据的需求,同时仍能保护隐私。然而,大多数拟议的解决方案未能考虑到市场的复杂性,也没有提供技术和法律实施的途径。他们缺乏对数据使用和隐私的更大视野。为了打破这种恶性循环,我们提出并测试了这样一个具有隐私的个人信息市场的愿景。我们收集了过去二十年来技术和法律学者提出的技术和法律措施。基于这些现有的知识,我们构建了一些新的东西:个人数据的四空间市场模型。
2020-05-13 cs.CY
A Smart Wizard System Suitable for Use With Internet Mobile Devices to Adjust Personal Information Privacy Settings
个人信息隐私是影响互联网用户信心的重要问题。在线社交网络的广泛采用和使用移动设备访问这些平台鼓励开发人员使系统和界面为寻求隐私的用户所接受。本研究的目的是测试一个向导,允许用户控制与他人共享的个人信息。我们还评估用户对此类共享的关注,例如是否在当前的在线社交网络帐户中隐藏个人数据。调查结果显示,这名巫师工作得很好,女性比男性隐瞒更多的个人信息。此外,大多数担心个人信息被滥用的用户都隐藏了这些项目。研究结果可用于升级当前的隐私系统或设计在移动互联网设备上工作的新系统。该系统还可以用于在设置个人隐私设置时节省时间,并使用户更清楚地了解将与他人共享的项目。
2013-07-13 cs.CR cs.CY
Obtaining personal data and asking for erasure: Do app vendors and website owners honour your privacy rights?
欧盟指令95/46/EC和即将出台的欧盟一般数据保护条例赋予欧洲人访问与他们有关的数据的权利。消费者可以联系他们的服务提供商,以获取在那里存储和处理的所有个人数据。此外,他们可以要求删除(或纠正)他们的数据。我们进行了一项秘密实地研究,以确定这些权利是否可以在实践中行使。我们评估了德国150个智能手机应用程序和120个网站的供应商的行为。我们的删除请求在52%至57%的情况下得到满足,而不到一半的数据提供请求得到满意的答复。此外,我们还观察到一些粗心的情况:大约20%的网站所有者会将我们的个人数据泄露给冒名顶替者。结果表明,行使二十年前引入的隐私权在大多数情况下仍然是一项令人沮丧的努力。
2016-04-11 cs.CY
Balancing Personal Privacy and Public Safety during COVID-19: The Case of South Korea
不同国家如何应对COVID-19大流行引发了激烈的争论。为了确保公共安全,韩国积极使用个人信息,冒着个人隐私的风险,而法国鼓励自愿合作,冒着公共安全的风险。在这篇文章中,在简要比较了与法国的背景差异后,我们重点介绍了韩国的流行病学调查方法。为了评估与个人隐私和公共健康有关的问题,我们研究了原始数据、去身份化数据和加密数据的使用模式。我们的具体提案讨论了COVID指数,该指数考虑了集体感染、爆发强度、医疗基础设施的可用性和死亡率。最后,我们总结了研究结果和教训,为未来的研究和政策含义。
2020-09-22 cs.CR cs.CY
How to Balance Privacy and Money through Pricing Mechanism in Personal Data Market
个人数据市场是一个平台,包括三个参与者:数据所有者(个人),数据购买者和做市商。提供个人数据的数据所有者将根据其隐私损失获得赔偿。数据购买者可以提交查询,并根据其所需的准确性为结果付费。做市商在数据所有者和买家之间进行协调。这个框架已经研究了基于差分隐私。然而,之前的研究假设数据所有者可以接受任何程度的隐私损失,数据购买者可以在不考虑财务预算的情况下进行交易。在本文中,我们提出了一个实用的个人数据交易框架,能够在金钱和隐私之间取得平衡。为了深入了解用户的偏好,我们首先进行了一项关于人们对隐私的态度和对个人数据交易的兴趣的在线调查。其次,我们确定了个人数据市场的五个关键原则,这对设计合理的交易框架和定价机制至关重要。第三,我们提出了一个合理的个人数据交易框架,概述了数据如何交易。第四,我们提出了一个平衡的定价机制,计算查询价格的数据买家和赔偿数据所有者(其数据被利用)作为他们的隐私损失的函数。主要目的是确保双方的公平交易。最后,我们将进行一个实验,以评估我们提出的定价机制与其他先前提出的机制相比,输出。
2018-01-02 cs.CY cs.DB cs.GT
Data Privacy in IoT Equipped Future Smart Homes
智能设备正变得与日常生活密不可分,并在提供智能服务和远程监控方面快速发展。为了提供个性化和定制化的服务,需要更多的个人数据汇集。因此,智能服务正变得越来越个性化,并引起了人们对数据隐私和安全的担忧。在本文中,数据隐私的要求,在灵巧家庭环境配备了“物联网”的数据和模型的隐私挑战得到解决。
2020-08-11 cs.CR cs.CY
BYOD, Personal Area Networks (PANs) and IOT: Threats to Patients Privacy
FISMA和HIPPA法案的通过强制执行了各种安全控制措施,以确保患者数据的隐私。法律要求医院和保健组织确保以安全的方式存储和传播患者数据。然而,自带设备(BYOD)、移动设备、即时消息(如WhatsApp)和云技术的出现带来了新的挑战。物联网(IOT)的出现使问题进一步复杂化,因为组织没有充分认识到数据隐私威胁的所有方面。医生和卫生保健从业人员需要了解需要保护和控制的各种新的数据存储和传输途径。在本文中,我们将探讨物联网、自带设备(BYOD)和个人局域网(PAN)技术对患者隐私数据构成的各种威胁和挑战。最后,我们提供了一项调查的结果,该调查衡量了医疗保健专业人员对患者隐私的新威胁的理解深度
2019-02-18 cs.CR cs.CY
Ride Sharing & Data Privacy: An Analysis of the State of Practice
像拼车这样的数字服务在很大程度上依赖于个人数据,因为个人必须披露个人信息才能进入市场并与其他参与者交换信息;然而,服务提供商通常很少或根本没有提供有关所披露信息的隐私状态的信息,尽管隐私问题是个人使用这些服务的决定性因素。我们分析了流行的乘车共享服务如何处理用户隐私,以评估当前的实践状况。调查结果显示,这些服务包括一组不同的个人数据,并提供有限的隐私相关功能。
2021-10-19 cs.CY cs.SI
Personalized Differential Privacy for Ridge Regression
Georgia Institute of Technology(佐治亚理工学院);CISPA Helmholtz Center for Information Security(CISPA亥姆霍兹信息安全中心)
针对差分隐私统一隐私水平限制准确率的问题,提出支持逐点设置隐私水平的PDP-OP方法,给出理论保证并通过实验验证其能优化隐私-准确率权衡、优于现有方法。
2024-01-30 cs.CR cs.CY cs.LG
The Trusted Server: A secure computational environment for privacy compliant evaluations on plain personal data
不断增长的法律和道德要求框架限制了对个人数据的科学和商业评估。通常,匿名化、加密或分布式计算方法试图保护个人隐私。然而,计算基础设施仍然依赖于人类系统管理员。这引入了严重的安全风险,并对隐私产生了强烈的影响:系统管理员可以无限制地访问他们管理的计算机,包括加密密钥和加密表。分布式计算和数据混淆技术降低了但并没有消除管理员泄露隐私的风险。它们产生更高的实施工作量和可能的数据质量下降。本文提出了可信服务器作为一种替代方法,提供了一个密封的和不可访问的计算环境,在严格意义上的加密。在操作期间或通过直接物理访问存储介质,在可信服务器内存储和处理的数据绝不能被读取,操纵或泄露,除非通过暴力。因此,即使来自多个希望其数据相互保密的来源,也可以对普通的个人相关数据进行安全且符合隐私的数据处理或评估。
2018-07-27 cs.CR cs.CY
From Data Disclosure to Privacy Nudges: A Privacy-aware and User-centric Personal Data Management Framework
虽然有隐私增强工具旨在保护用户的在线隐私,但令人惊讶的是,由于数据泄露到多个平台,缺乏以用户为中心的解决方案,允许基于隐私风险和收益的联合评估进行隐私控制。在本文中,我们提出了一个概念框架,以填补这一空白:针对以用户为中心的隐私保护,我们表明,该框架不仅可以评估使用在线服务的隐私风险,但也从数据披露获得的附加值。通过遵循人在回路的方法,期望该框架通过偏好学习、持续隐私评估、行为监控和轻推来提供个性化的解决方案。最后,我们描述了一个案例研究对“休闲旅游者”和几个未来的领域进行研究,在正在进行的项目。
2019-09-22 cs.CR cs.CY cs.HC
Vulnerabilities in Personalization: Assessing Health Privacy Risks in ChatGPT Logs and Memory
Rutgers University(罗格斯大学)
本研究通过大规模审计发现ChatGPT对话中大量健康数据被隐式提取并合成永久性诊断特征,造成隐私风险,并提出设计指南以增强用户控制。
2026-09-15 cs.CY cs.HC
Does Travel Stage Matter? How Leisure Travellers Perceive Their Privacy Attitudes Towards Personal Data Sharing Before, During, and After Travel
University of Kent(肯特大学);Aston University(阿斯顿大学);Nottingham Trent University(诺丁汉特伦特大学)
研究探讨了休闲旅行者在旅行不同阶段对个人数据共享的隐私态度变化,发现旅行阶段不影响社交媒体内容分享,但性别、旅行频率和居住国会影响隐私感知。
2026-04-07 cs.CY cs.HC
Towards Practical Privacy-Preserving Analytics for IoT and Cloud Based Healthcare Systems
现代医疗保健系统现在依赖于先进的计算方法和技术,例如物联网(IoT)设备和云,以前所未有的规模和深度收集和分析个人健康数据。患者、医生、医疗服务提供者和研究人员依赖于从这些数据源导出的分析模型来远程监控患者、早期诊断疾病并找到个性化的治疗和药物。然而,如果没有适当的隐私保护,进行数据分析就会成为隐私噩梦的根源。在这篇文章中,我们提出了在医疗保健信息系统中开发实用的隐私保护分析的研究挑战。该研究基于kHealth --一种正在开发和测试用于疾病监测的个性化数字医疗信息系统。我们分析了相关各方的数据和分析要求,确定了隐私资产,分析了现有的隐私基板,并讨论了隐私,效率和模型质量之间的潜在权衡。
2018-04-11 cs.CR cs.CY
Optimized, Direct Sale of Privacy in Personal-Data Marketplaces
最近,我们目睹了许多初创企业的出现,这些企业使个人能够直接向经纪人和企业出售他们的私人数据。虽然这种新模式可能会改变个人和收集数据的公司之间的力量平衡,但它为这些服务的用户提出了一些实际的基本问题:他们应该如何决定哪些数据必须出售,哪些数据受到保护,以及什么是好交易。在这项工作中,我们调查的机制,旨在帮助用户解决这些问题。研究机制依赖于一个硬隐私模型,并允许用户与经纪公司分享部分或完整的个人资料数据,以换取经济奖励。本文的研究目的是从理论上分析这种机制所带来的隐私和金钱之间的权衡。我们采用了一个通用的隐私措施,虽然我们的分析的一部分集中在一些重要的例子布雷格曼分歧。我们找到了一个参数的解决方案的最佳交换隐私的钱的问题,并获得一个封闭的形式的表达和特征之间的权衡配置文件披露的风险和经济回报几个有趣的情况。
2017-01-03 cs.CR cs.CY
Privacy Protection Cache Policy on Hybrid Main Memory
我们首先建议隐私保护缓存政策适用于删除个人信息的责任在混合主存储器系统。该缓存策略包括生成随机数据并将随机数据缓存到个人信息中。提出的缓存策略在数据完全删除方面更经济有效。
2017-07-29 cs.CR cs.CY
Context Data Categories and Privacy Model for Mobile Data Collection Apps
来自不同领域的上下文感知应用程序,如移动健康,推荐系统和移动商务,可能会受益于了解用户的个性方面。由于填写个性问卷是繁琐的,我们提出了从智能手机传感器和使用数据预测用户的个性。为了收集数据以研究智能手机数据与个性之间的关系,我们开发了Android应用程序TYDR(跟踪您的日常生活),该应用程序跟踪智能手机数据并使用心理测量个性问卷。通过TYDR,我们跟踪的智能手机数据比现有的类似应用程序更多,包括通知的元数据,拍摄的照片和用户播放的音乐。对于TYDR的开发,我们引入了一个通用上下文数据模型,该模型由四个类别组成,这些类别侧重于用户与智能手机的不同类型的交互:物理条件和活动,设备状态和使用,核心功能使用和应用程序使用。除此之外,我们还专门为与移动数据收集相关的应用程序开发了隐私模型PM-MoDaC,其中包括九项拟议的隐私措施。我们在TYDR中介绍了所有这些措施的实施情况。虽然基于用户的智能手机的使用来利用用户的个性是一项具有挑战性的努力,但对于各种类型的上下文感知移动应用来说,这似乎是一种有前途的方法。
2018-07-04 cs.CY cs.HC
Privacy-Preserving Personalization in Education: A Federated Recommender System for Student Performance Prediction
Federal Institute of Education, Science, and Technology of Rio Grande do Norte(IFRN)(里约格朗德杜斯北联邦教育、科学和技术研究所)
针对教育数字化中数据驱动个性化与学生数据隐私的矛盾,本文提出基于联邦学习(FL)的隐私保护推荐系统,通过DNN和ASSISTments数据集特征,对比聚合策略发现FedProx更优,模型F1达76.28%(为集中式XGBoost的92%),解决个性化-隐私困境。
2025-11-10 cs.AI cs.CY cs.LG
Let's Measure the Elephant in the Room: Facilitating Personalized Automated Analysis of Privacy Policies at Scale
University of Oxford(牛津大学)
本文提出神经符号系统PoliAnalyzer,通过NLP提取隐私政策形式化表示并与用户偏好进行逻辑合规分析,在大规模网站隐私政策中实现高准确率的个性化自动分析,显著降低用户认知负担。
2025-07-15 cs.CL cs.CR cs.CY
Novel Architecture to Create and Maintain Personal Blockchains
区块链被吹捧为一项革命性的技术。然而,尽管令人兴奋,但区块链并没有在许多领域被采用。由于隐私问题,使用障碍或缺乏实际用例,许多人对采用区块链技术犹豫不决。在这项工作中,我们概述了一个潜在的区块链用例,用于跟踪跨多个金融机构的金融交易。我们展示了传统集中式方法的缺点,区块链方法无法提供此用例所需的所有隐私和可访问性。因此,我们提出了一种新的区块链架构来支持我们的用例。这种新颖的架构通过允许用户创建个人区块链,将公共区块链的易用性与私有区块链的隐私性相结合。我们相信这种新颖的个人区块链架构将导致更多的区块链采用,特别是在处理私人数据的用例中。
2022-12-12 cs.CR cs.CY cs.DB
SocialGenPod: Privacy-Friendly Generative AI Social Web Applications with Decentralised Personal Data Stores
University of Edinburgh(爱丁堡大学);University of Oxford(牛津大学)
SocialGenPod利用Solid去中心化规范,将用户数据与生成式AI应用解耦,实现隐私友好的Web应用,支持用户控制数据访问并实现跨服务可移植性。
2024-03-15 cs.CR cs.CY cs.IR