XiaoMi-AI文件搜索系统
World File Search SystemPrivacy
OMB对隐私影响评估的评论 - 2024年4月1日
这种方法在欧洲的一般数据保护法规（GDPR）中得到了证明，其中数据保护影响评估（DPIA）用作具有“包容性，全面和主动性的性质”的关键责任工具，需要负责处理个人信息（“控制者”）的实体，以确定个人信息，并最终管理个人和释放个人信息的风险。4根据欧洲数据保护委员会（EDPB），DPIA是一个过程，旨在描述处理个人信息处理的详细信息，评估处理处理的必要性和相称性（这是与此类处理相关的关键法律要求），并“帮助管理个人信息处理的个人风险和自由的风险”。5
重新审视FIDO2
摘要。我们重新审视FIDO2的隐私和安全分析，这是一个广泛部署的标准，用于网络上无密码的身份验证。我们讨论了以前的工作，并得出结论，至少有以下局限性之一：（i）不切实际的可信赖的设置假设，（ii）根据实践攻击的现状，（iii）不分析FIDO2的整体，尤其是为了保证其私人隐私权。我们的工作解决了这些差距，并提出了修订的安全模型，以进行隐私和身份验证。配备了我们的新模型，我们将FIDO2模块化分析，并专注于其组件协议WebAuthn和CTAP2，阐明了其确切的安全保证。特别是我们的结果首次为整个FIDO2建立隐私保证。此外，我们建议进行较小的修改，以帮助FIDO2可证明可以实现更强的隐私和身份验证定义，并承受已知和新颖的攻击。
医学合成数据中隐私和实用性指标的范围审查
合成数据的使用是一种有前途的解决方案，可在解决隐私问题时促进与健康相关数据的共享和再利用。但是，在系统地评估合成数据的隐私和实用性的标准化方法上仍然没有共识，这阻碍了其更广泛的采用。在这项工作中，我们介绍了评估合成健康相关数据的当前方法的全面审查和系统化，重点介绍了隐私和实用性方面。我们的发现表明，有多种方法可以评估合成数据的实用性，但是在哪种情况下，没有共识是最佳的。此外，我们发现本综述中包括的大多数研究都不评估合成数据提供的隐私保护，以及那些通常会大大低估了风险的隐私保护。
无噪用的隐私权分散学习
分散的学习（DL）启用与服务器的协作学习，而无需培训数据，可以使用户的设备留下。但是，DL中共享的模型仍然可用于推断培训数据。传统的防御措施，例如差异隐私和安全汇总在有效地保护DL中的用户隐私方面缺乏牺牲模型效用或效率。我们介绍了Shatter，这是一种新颖的DL方法，其中节点可以创建虚拟节点（VN S）代表他们传播其完整模型的块。这通过（i）防止攻击者从其他节点收集完整模型，以及（ii）隐藏产生给定模型块的原始节点的身份。从理论上讲，我们证明了破碎的收敛性，并提供了正式的分析，揭示了与在节点之间交换完整模型相比，Shatter如何降低攻击的效力。我们评估了与现有DL算法，异质数据集的融合和攻击弹性，并与三个Standard隐私攻击进行评估。我们的评估表明，破碎不仅使这些隐私攻击在每个节点运行16个VN时不可行，而且与标准DL相比，对模型实用程序产生了积极影响。总而言之，Shatter在保持模型的效用和效率的同时，增强了DL的隐私。
评估差异隐私保证的指南
国家标准技术研究所（NIST）的信息技术实验室（ITL）通过为国家的测量和标准基础设施提供技术领导力来促进美国的经济和公共福利。ITL开发测试，测试方法，参考数据，概念实现证明和技术分析，以推动信息技术的开发和生产性使用。ITL的响应能力包括管理，行政，技术和物理标准以及针对国家安全信息系统中与国家安全相关信息以外的具有成本效益的安全性和隐私的指南。特别出版物800系列报告有关ITL的研究，指南和信息系统安全方面的宣传工作及其与行业，政府和学术组织的协作活动。
通过差异隐私探索AI驱动的医疗保健中的准确性和隐私权衡
摘要：随着新出现的AI能力增加在医疗保健领域中，侵犯用户隐私的潜力，道德问题和最终对用户的危害是威胁到这些能力成功且安全采用这些能力的最重要的关注点。由于这些风险 - 滥用这些高度敏感的数据，不适当的用户概况，缺乏足够的同意和用户不认识都是所有因素必须牢记以实现“在建立这些功能”时实现“逐个设计”，以实现医疗目的。本文旨在查看该领域最高的隐私和道德问题，并提供建议以减轻其中一些风险。我们还提出了差异隐私的技术实施，以证明将噪声添加到健康数据中如何显着改善其隐私，同时保留其效用。
基于混合自动编码器和LSTM Neural
摘要：风险识别和缓解对于在不断变化的供应链管理领域（SCM）中保持韧性和效率至关重要。现代供应网络中固有的复杂性和不确定性通常太复杂了，无法有效解决传统风险管理技术。为了增强供应链管理中的风险检测和管理，本研究探讨了将区块链技术与深度学习混合的混合策略。区块链通过为供应链操作监视提供透明和分散的系统来确保数据完整性和透明度。深度学习可以改善此过程，该过程分析了大量的历史数据和当前数据，以识别模式，预测威胁并提出对策。所提出的系统利用区块链技术的不可侵犯性和深度学习的预测能力来应对诸如欺诈检测，需求预测，供应商评估和中断预测等重要挑战。使用混合自动编码器和基于LSTM的深神经网络可以确保数据集。自动编码器用于降低维度和降低噪声和冗余数据，这些数据将进一步通过基于LSTM的神经网络，以增强基于区块链的交易数据的安全性。
WebEx会议隐私数据表
本隐私数据表描述了WebEx会议的处理个人数据（或个人身份信息）的处理。WebEx会议是一种基于云的和视频会议解决方案，由思科提供给获得其授权用户使用的公司或人员。1。概述WebEx会议（“服务”或“ WebEx会议”）是基于云的网络和视频会议解决方案，由思科提供给公司或人员（“客户”，“ You”或“ You”或“ Your”），可用于其授权用户（每个人，“用户”）。该服务使全球员工和虚拟团队可以随时随地在移动设备或视频系统上实时合作，就好像他们在同一房间里工作一样。解决方案包括会议，活动，培训和支持服务。有关WebEx会议可选功能的更多信息，请参阅下面的附录。此隐私数据表涵盖WebEx会议，WebEx网络研讨会，WebEx培训和WebEx支持。如果您将服务与Webex应用程序一起使用，请参见Webex应用程序隐私数据表（在Cisco Trust Center上可用），以获取与这些服务有关的数据的描述。有关该服务的详细概述，请访问思科网络会议主页。2。个人数据处理该服务允许用户以几乎与面对面会议一样的个人方式即时连接。会议主持人可以选择记录会议，可以与他人共享或在法律事务中发现。WebEx会议没有：如果您是用户，而您的雇主是获得服务的客户，则您的雇主将用作服务处理的数据的“数据控制器”（请参阅Webex Meetings隐私数据映射，以可视化谁在使用数据进行操作）。您的雇主可以访问下表和本隐私数据表中所述的信息，并且要遵守雇主有关访问，使用，监视，删除，保存和导出与服务相关的信息的政策。同样，如果用户参加其他公司用户主持的会议，会议主持人和/或共同主持人将控制会议期间共享的任何会议记录，文件或其他信息，这将受到主持人有关访问，监视，监视，删除，保存，保存和导出信息的公司政策。此外，如果客户在WebEx Control Hub中启用了此功能，则会会议共同主持人和参与者可以选择记录会议。会议主持人应在录制和WebEX会议之前通知所有会议参与者，并向所有参与者播放音频提示，以表明会议正在记录。请注意，思科对您与他人共享的任何信息的隐私无关，也不承担任何责任或责任。即使您从WebEx会议平台中删除信息后，该信息的副本在与他人共享的范围内也可以在其他地方保持可见。
确保医疗保健AI：平衡数据隐私和...
工程师Lead，Elevance Health Inc，弗吉尼亚州里士满摘要AI正在彻底改变医疗保健，其变革性应用从疾病诊断和预测分析到个性化医学和运营效率。机器学习算法可以分析复杂的数据集，以发现以前无法实现的模式和见解。云计算通过提供可扩展的基础架构，使大量医疗保健数据的存储和处理进一步扩大了这项革命。但是，这种AI和云技术的协同作用也引入了关键挑战，尤其是在敏感医疗保健信息的安全性和隐私方面。平衡对创新的需求与数据保护的必要性已成为医疗保健提供者，云供应商和监管机构的紧迫关注。本文探讨了AI的进步及其对数据安全的影响，尤其是对医疗保健的影响。关键字：医疗保健，数据安全，AI，数据隐私，云计算，AI，机器学习监管格局和合规性医疗保健行业在旨在保护患者隐私并确保数据安全的严格监管框架内运作。随着AI和云技术变得更加深入地整合到医疗保健系统中，遵守这些法规变得越来越复杂，要求组织在维持运营效率的同时实施强大的安全措施。它要求严格控制数据访问，存储和传输，要求组织实施管理，物理和技术保障。促进执法的一些关键监管机构包括：健康保险可移植性和问责制法（HIPAA）：1996年颁布，HIPAA在美国制定了国家保护患者健康信息（PHI）的国家标准。存储或流程医疗保健数据的云提供商必须遵守HIPAA安全规则，其中包括：