基于 BERT 和 K 均值聚类的机器学习驱动多司法管辖区合规收敛分析
计算机与社会
2025-02-18 v1 人工智能
计算工程、金融与科学
计算与语言
机器学习
摘要
数字数据持续增长，人们正转向使用有效的监管机制来保护个人信息。加州加拿斯隐私法案（CCPA）和欧盟通用数据保护条例（GDPR）是最重要的隐私法之一。该法规旨在保护消费者隐私，但在范围、定义和执法方式方差异巨大。本文提出了一种新方法，用于自适应合规，采用机器学习并将自然语言处理（NLP）作为比较 GDPR 与 CCPA 的主要焦点。使用 NLP，该研究比较了各种法规，以识别其重叠或差异的领域。这包括 GDPR 中的“被遗忘权”条款以及 CCPA 下的“出售选择退出权”条款。国际公司可从本报告中获得有价值的经验教训，因为它概述了在不同国家更好地执行法律的策略。此外，本文讨论了在法律文献中利用 NLP 的挑战，并提出了方法来增强机器学习模型在研究法规方面的可操作性。本研究的目标是“搭建法律知识与技术专业知识之间的鸿沟”，通过开发更高效、更有效的数据保护合规策略。
引用
@article{arxiv.2502.10413,
title = {Machine Learning-Driven Convergence Analysis in Multijurisdictional Compliance Using BERT and K-Means Clustering},
author = {Raj Sonani and Lohalekar Prayas},
journal= {arXiv preprint arXiv:2502.10413},
year = {2025}
}
备注
16 pages, 5 figures, 4 tables