Big Data empowers the farming community with the information needed to optimize resource usage, increase productivity, and enhance the sustainability of agricultural practices. The use of Big Data in farming requires the collection and analysis of data from various sources such as sensors, satellites, and farmer surveys. While Big Data can provide the farming community with valuable insights and improve efficiency, there is significant concern regarding the security of this data as well as the privacy of the participants. Privacy regulations, such as the EU GDPR, the EU Code of Conduct on agricultural data sharing by contractual agreement, and the proposed EU AI law, have been created to address the issue of data privacy and provide specific guidelines on when and how data can be shared between organizations. To make confidential agricultural data widely available for Big Data analysis without violating the privacy of the data subjects, we consider privacy-preserving methods of data sharing in agriculture. Deep learning-based synthetic data generation has been proposed for privacy-preserving data sharing. However, there is a lack of compliance with documented data privacy policies in such privacy-preserving efforts. In this study, we propose a novel framework for enforcing privacy policy rules in privacy-preserving data generation algorithms. We explore several available agricultural codes of conduct, extract knowledge related to the privacy constraints in data, and use the extracted knowledge to define privacy bounds in a privacy-preserving generative model. We use our framework to generate synthetic agricultural data and present experimental results that demonstrate the utility of the synthetic dataset in downstream tasks. We also show that our framework can evade potential threats and secure data based on applicable regulatory policy rules.

Bản dịch tiếng Việt:

Dữ liệu lớn trao quyền cho cộng đồng nông nghiệp những thông tin cần thiết để tối ưu hóa việc sử dụng tài nguyên, tăng năng suất và nâng cao tính bền vững của các hoạt động nông nghiệp. Việc sử dụng Dữ liệu lớn trong nông nghiệp đòi hỏi phải thu thập và phân tích dữ liệu từ nhiều nguồn khác nhau như cảm biến, vệ tinh và khảo sát nông dân. Mặc dù Dữ liệu lớn có thể cung cấp cho cộng đồng nông nghiệp những hiểu biết có giá trị và nâng cao hiệu quả, nhưng vẫn có mối lo ngại đáng kể về tính bảo mật của dữ liệu này cũng như quyền riêng tư của những người tham gia. Các quy định về quyền riêng tư, chẳng hạn như GDPR của EU, Quy tắc ứng xử của EU về chia sẻ dữ liệu nông nghiệp theo thỏa thuận hợp đồng và luật AI của EU được đề xuất, đã được tạo ra để giải quyết vấn đề về quyền riêng tư dữ liệu và cung cấp các hướng dẫn cụ thể về thời điểm và cách thức chia sẻ dữ liệu giữa các tổ chức. Để cung cấp rộng rãi dữ liệu nông nghiệp bí mật cho phân tích Dữ liệu lớn mà không vi phạm quyền riêng tư của chủ thể dữ liệu, chúng tôi xem xét các phương pháp chia sẻ dữ liệu trong nông nghiệp để đảm bảo quyền riêng tư. Việc tạo dữ liệu tổng hợp dựa trên học sâu đã được đề xuất để chia sẻ dữ liệu bảo vệ quyền riêng tư. Tuy nhiên, trong những nỗ lực bảo vệ quyền riêng tư như vậy, vẫn còn thiếu sự tuân thủ các chính sách bảo mật dữ liệu được ghi lại. Trong nghiên cứu này, chúng tôi đề xuất một khuôn khổ mới để thực thi các quy tắc chính sách quyền riêng tư trong các thuật toán tạo dữ liệu bảo vệ quyền riêng tư. Chúng tôi khám phá một số quy tắc ứng xử nông nghiệp hiện có, trích xuất kiến ​​thức liên quan đến các hạn chế về quyền riêng tư trong dữ liệu và sử dụng kiến ​​thức được trích xuất để xác định các giới hạn về quyền riêng tư trong mô hình tổng hợp bảo vệ quyền riêng tư. Chúng tôi sử dụng khuôn khổ của mình để tạo dữ liệu nông nghiệp tổng hợp và trình bày các kết quả thử nghiệm chứng minh tính hữu ích của tập dữ liệu tổng hợp trong các nhiệm vụ tiếp theo. Chúng tôi cũng cho thấy rằng khuôn khổ của chúng tôi có thể tránh được các mối đe dọa tiềm ẩn và bảo mật dữ liệu dựa trên các quy tắc chính sách quy định hiện hành.

Document Ready

Click below to load the full PDF document natively.