{ "schemaVersion": "1.0", "language": "ja", "id": "privacy-rights", "name": "プライバシー・権利", "description": "個人データ、学習データ、著作権と来歴を扱う。", "alternateNames": [ "Privacy & Rights", "プライバシー", "AIプライバシー", "データ最小化", "差分プライバシー", "合成データ", "データ共有", "著作権", "コンテンツ来歴", "学習データ" ], "canonicalUrl": "https://catalysphere.co.jp/topics/privacy-rights/", "machineReadableUrl": "https://catalysphere.co.jp/topics/privacy-rights/index.json", "updatedAt": "2026-10-01", "articles": [ { "slug": "ai-agent-audit-log-minimization", "title": "監査ログの量ではエージェント操作を再現できない", "summary": "AIエージェントの操作証拠は、全文保存ではなく、承認・実行・状態変更を結ぶ一連の記録から設計します。争点となる内容だけを保護して必要時に保存し、操作をあとからたどれることと、集めすぎないことを別々に試験します。", "quickAnswer": { "what": "先に、承認、状態変更、送信内容のどれをあとから確かめたいのかを決める。目的が違えば、必要な証拠と正式な記録も変わる。", "why": "通常時は決まった項目で残す記録を結び、内容自体が争点となる場合だけ、範囲・権限・期限を決めて原文を保護して保存する。", "action": "本番受入では、既知事例を再現できる証拠の確認と、目的・アクセス・保持・例外と削除処理の実行を検証する集めすぎを防ぐ確認を別々に通す。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-agent-audit-log-minimization/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-agent-audit-log-minimization/index.json" }, { "slug": "ai-transparency-disclosure-design", "title": "AI透明性は一つの表示では終わらない", "summary": "EU AI Act Article 50を提供者／利用者と出力の種類で分け、人向け表示、機械が読み取れる印、例外、版の証拠を一つの表示設計記録へ落とす方法を整理します。", "quickAnswer": { "what": "Article 50は、役割とシステム・出力の種類ごとに別の透明性義務を置いており、一つの汎用バッジでは代替できません。[1]", "why": "人向け表示の明瞭さ・時機・アクセシビリティと、機械可読マーキング・検出可能性は、目的も実装面も異なります。[1] [3]", "action": "Catalysphereは、該当条項、配置、例外根拠、検査結果、版、責任者を残す表示設計の記録を公開前の受入確認に使うことを提案します。" }, "updatedAt": "2026-09-26", "url": "https://catalysphere.co.jp/articles/ai-transparency-disclosure-design/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-transparency-disclosure-design/index.json" }, { "slug": "dark-patterns-ai-consent", "title": "AIへの同意は、拒否と同じ容易さになっているか", "summary": "ボタンの強調、妨害、既定値、反復要求が選択を変える証拠から、受諾・拒否・撤回の手順と視認性を対称に監査します。", "quickAnswer": { "what": "オンラインサービスでは、妨害、希少性、社会的証明など複数のダークパターンが観測されています。", "why": "選択画面の非対称は同意や購入を増やし、強い設計は反発や選択理解の低下を伴い得ます。", "action": "受諾と拒否の手順数、視認性、理解、撤回を対称にし、中立画面との比較と事後救済を行います。" }, "updatedAt": "2026-07-24", "url": "https://catalysphere.co.jp/articles/dark-patterns-ai-consent/", "machineReadableUrl": "https://catalysphere.co.jp/articles/dark-patterns-ai-consent/index.json" }, { "slug": "machine-unlearning-verification", "title": "AIが忘れたと、どう証明するのか", "summary": "削除APIの完了を忘却の証拠にせず、再学習モデルを基準に、対象記憶、保持効用、漏えい、連続削除を多面的に検証します。", "quickAnswer": { "what": "対象質問に答えなくなっただけでは、学習データの影響や漏えい可能性が消えた証明になりません。", "why": "忘却、保持効用、プライバシー、連続削除を、対象データなしで再学習したモデルと比較します。", "action": "保証が足りない案件では近似削除を完全削除と表現せず、再学習やモデル廃棄を選択肢に残します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/machine-unlearning-verification/", "machineReadableUrl": "https://catalysphere.co.jp/articles/machine-unlearning-verification/index.json" }, { "slug": "ai-generated-text-detection-evidence", "title": "AI文章検出器は、不利益判断の単独証拠にできない", "summary": "AI文章検出器と生成時透かしを分け、言い換え耐性、未知モデル、集団別偽陽性、本人の版履歴と異議申立てまで含む証拠手順を設計します。", "quickAnswer": { "what": "AI文章検出のスコアは生成由来を確定する証明ではなく、高影響な処分では調査開始の一材料に限定すべきです。", "why": "事後検出は言い換え・未知モデル・言語集団で崩れ、生成時透かしも提供者実装・鍵・文章長・改変に依存するためです。", "action": "用途別の偽陽性の上限を置き、版履歴、引用、作業ログ、本人説明を併合し、独立再審査と訂正可能な異議経路を実装します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-generated-text-detection-evidence/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-generated-text-detection-evidence/index.json" }, { "slug": "synthetic-training-data-model-collapse", "title": "合成データの再帰学習では、平均より先に分布の尾が失われる", "summary": "合成データの再利用を一律に禁じるのではなく、実データの置換・蓄積・選別を分け、希少事例と多様性を守る学習データ運用を設計します。", "quickAnswer": { "what": "合成データは自動的にモデル崩壊を起こしませんが、実データを置き換える再帰学習では分布の尾と多様性が失われ得ます。", "why": "劣化は素材名より、実データの保持、世代間の再利用、標本選択、有限データの誤差がどう重なるかで変わるためです。", "action": "標本の由来と世代を残し、平均性能と別に少数群・裾・多様性を試験します。悪化した合成源や区分を隔離し、確認済みの基準構成へ戻してから再試験します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/synthetic-training-data-model-collapse/", "machineReadableUrl": "https://catalysphere.co.jp/articles/synthetic-training-data-model-collapse/index.json" }, { "slug": "ai-privacy-data-minimization", "title": "AI時代のデータ最小化：集めない・残さない・重ねない", "summary": "AIのプライバシー対策を、収集後の匿名化だけに任せません。必要性、保持、重複、学習、ログ、アクセスをライフサイクル全体で減らします。", "quickAnswer": { "what": "データ最小化とは容量削減ではなく、目的に必要な個人データだけを、必要な精度と期間で扱う原則です。", "why": "大規模モデルは学習データを再生し得て、同じ系列の重複が記憶と抽出の危険を大きく増幅するためです。", "action": "収集前の必要性審査、重複除去、保持期限、ログ制御、抽出テスト、削除経路を一つの台帳で運用します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/ai-privacy-data-minimization/", "machineReadableUrl": "https://catalysphere.co.jp/articles/ai-privacy-data-minimization/index.json" }, { "slug": "synthetic-data-privacy-utility", "title": "合成データは匿名化ではない：プライバシーと有用性の設計", "summary": "人工生成という形式だけでは安全性を保証できません。攻撃者、記憶、差分プライバシー、用途別有用性を一つの評価表で扱います。", "quickAnswer": { "what": "合成データは生成方法の名称であり、元の個人情報を推測・抽出できないことを自動的には意味しません。", "why": "似た分布を保つほど個別記録の痕跡も残り得て、安全性と有用性は用途・攻撃・予算に依存するためです。", "action": "脅威モデルとプライバシー保証を先に選び、攻撃テストと下流タスク評価を同じ条件で比較します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/synthetic-data-privacy-utility/", "machineReadableUrl": "https://catalysphere.co.jp/articles/synthetic-data-privacy-utility/index.json" }, { "slug": "generative-ai-copyright-provenance", "title": "生成AIの著作権管理は、最終出力ではなく制作工程から始まる", "summary": "学習・生成・公開を別々に捉え、権利確認と来歴記録を一つの運用証跡にする方法を、日本・EU・C2PAの一次資料から整理します。", "quickAnswer": { "what": "生成AIの著作権リスクは、生成物だけでなく学習データ、指示・編集、公開方法を通じた一連の工程として管理します。[1] [2]", "why": "法的判断と技術的来歴は役割が異なり、C2PAは来歴情報の改変検知を支えても、権利処理の適法性そのものは保証しません。[3]", "action": "案件ごとに権利根拠、利用規約、人の創作的寄与、生成履歴、公開時の表示を同じ台帳へ残し、疑義があれば公開を止めて専門家へ確認します。" }, "updatedAt": "2026-10-01", "url": "https://catalysphere.co.jp/articles/generative-ai-copyright-provenance/", "machineReadableUrl": "https://catalysphere.co.jp/articles/generative-ai-copyright-provenance/index.json" } ] }