加拿大可能推動更嚴格的身份盜用法律
加拿大的身份盜用問題嚴重，根據Canadian Council of Better Business Bureaus估計，每年因身份盜用所造成的經濟整體損失超過二十億加幣。此外，去年十一月Ipsos-Reid的調查顯示，73％的加拿大人擔心身份盜用問題，且28%的加拿大人曾親身遭遇、或是有周遭認識之人因此受害。
然而，與身份盜用猖獗的現況相較，加拿大個人資料和隱私保護法制一直飽受批評，被認為無法遏止此一問題擴散。加拿大資料安全之基礎規範為「個人資訊保護與電子文件法」（Personal Information Protection and Electronic Documents Act），但以具有重要嚇阻效果的刑法而言，卻只處罰濫用他人身份資訊，如身份詐欺、冒用、偽造等行為，但對於初步蒐集、處理和盜賣身份資訊之行為，卻難以透過現行刑法規範。
身份盜用可能造成的影響層面相當廣泛，例如個人的財務和信用損失、商業或財金產業的損失，甚至是整體納稅人的傷害。
職是之故，加拿大勞工部、魁北克經濟發展部等政府首長乃宣布，聯邦政府有意推動刑法之修改，使檢警對於先期身份盜用（或違法資料蒐集）之行為，有更大的調查和追訴空間，並希望此一政策方向能獲得國會的後續支持。
本文為「經濟部產業技術司科技專案成果」
2018年12月1日，加拿大智慧財產局公告了新專利法，並立2018年12月1日起至31日為公衆諮詢期，該法於2019年正式生效。 本次專利法修改多屬鬆綁權利人之期日限制，包括： 恢復優先權主張：在新專利法上路後，在非故意錯過了12個月的優先權期限的情況下，可允許將優先權期限延長至14個月； 更容易取得申請日：針對直接申請加拿大專利而非透過專利合作條約（Patent Cooperation Treaty，PCT）的申請案，即使尚未繳納申請費，或是相關申請文件非英文和法文，一樣可以取得申請日； 允許補交在主張優先權申請遺漏的內容； 獲核准通知後提出修改作業的程序順暢化； 採用電子送件，排序列表不會被徵收超頁費； 對特定的錯誤有更明確的修正截止日：移除因「行政作業」上疏失而提出修正請求的規定，在其他規定上增加了明確的截止日； 採PCT途徑進入國家階段已經不再有42個月的期限； 維持費用制度較為複雜，錯過實質審查期限影響也較嚴重； 如果已遞交之申請案並非英文或法文版本，那未來修改申請案必須要能自合理的從原本外語版本中合理推論而出； 需提出優先權證明文件：申請人必須向加拿大專利局遞交每一件先前申請的優先權證明文件，特殊情況下才能豁免提交； 部分申請期限變短：新專利制度縮短申請人部分申請程序及時間，例如申請實體審查期限從申請日起5年內降為4年等。
歐盟法院佐審官允許Google販售商標關鍵字給廣告業者針對法國知名品牌LVMH控告搜尋引擎大廠Google以其商標作為關鍵字，販售給網路廣告業者，使得當使用者鍵入商標關鍵字搜尋時，廣告業者之商業訊息及其網址會呈現在搜尋結果中，而侵害LVMH商標權的訴訟案中，歐洲法院佐審官（advocate General）Poiares Maduro提出了法律意見書。 在該意見書中，其認為Google允許廣告業者選擇和商標有關的關鍵字並不構成商標侵權，選擇關鍵字僅是Google和廣告業者二造間的內部活動，並沒有對公眾販賣和商標相同或類似的產品或服務，非商標法所謂之使用。另外，根據關鍵字搜尋結果而呈現廣告業者之網址，也不會造成消費者對原始產品或服務混淆的風險。網際網路的使用者知道在Google搜尋引擎做搜尋時，並非只有商標擁有者的網址會呈現，甚至有時他們並不是尋找商標擁有者的網址。消費者會依據廣告內容及造訪廣告網址來認定產品或服務的來源，不是僅依據隨商標關鍵字而呈現出的廣告就作出來源的認定。 該佐審官的法律意見雖然對歐盟法院沒有拘束力，但該法院在大部分的案件中仍會依循該意見，通常在該意見提出後大約六個月會作出裁判。
基因改良作物命運大不同身為世上最大基因改良（ GMO）棉花生產者的 中國大陸 ，已經批准將經過基因改良的混種棉花進行商業化，預料可以解決生活日用品上的短缺。相對於此， 歐盟 的農業部長們，卻對於是否批准編號1507的基因改良玉米，陷入一個進退維谷的困境。但是經過8年激烈的反對， 丹麥 卻允許基因改良玉米的進口。 而在 美國 有 85﹪的大豆，76﹪的棉花，45﹪的小麥是經過基因改良的。至於 澳洲 農業與資源經濟局則最近則對基因改良作物做出一份報告，認為各省禁止基因改良食品會減小經濟效益，使 澳洲 面對世界各地日益增多的基因改良作物發展，屈居弱勢。至終可能會在十年後造成1.5億到6億澳幣的損失。
合成資料（synthetic data）「合成資料」（synthetic data）的出現，是為了保護原始資料所可能帶有的隱私資料或機敏資料，或是因法規或現實之限制而無法取得或利用研究所需資料的情況下，透過統計學方法、深度學習、或自然語言處理等方式，讓電腦以「模擬」方式生成研究所需之「合成資料」並進行後續研究跟利用，透過這個方法，資料科學家可以在無侵犯隱私的疑慮下，使合成資料所訓練出來的分類模型（classifiers）不會比原始資料所訓練出來的分類模型差。 在合成資料的生成技術當中，最熱門的研究為運用「生成對抗網路」（Generative Adversarial Network, GAN）形成合成資料（亦有其他生成合成資料之方法），生成對抗網路透過兩組類神經網路「生成網路」（generator）與辨識網路（discriminator）對於不同真偽目標值之反覆交錯訓練之結果，使其中一組類神經網路可生成與原始資料極度近似但又不完全一樣之資料，也就是具高度複雜性與擬真性而可供研究運用之「合成資料」。 英國國防科技實驗室（Defense Science and Technology Laboratory, DSTL）於2020年8月12日發布「合成資料」技術報告，此技術報告為DSTL委託英國航太系統公司（BAE Systems）的應用智慧實驗室（Applied Intelligence Labs, AI Labs）執行「後勤科技調查」（Logistics Technology Investigations, LTI）計畫下「資料科學與分析」主題的工作項目之一，探討在隱私考量下（privacy-preserving）「合成資料」當今技術發展情形，並提供評估技術之標準與方法。 技術報告中指出，資料的種類多元且面向廣泛，包含數字、分類資訊、文字與地理空間資訊等，針對不同資料種類所適用之生成技術均有所不同，也因此對於以監督式學習、非監督式學習或是統計學方法生成之「合成資料」需要採取不同的質化或量化方式進行技術評估；報告指出，目前尚未有一種可通用不同種類資料的合成資料生成技術或技術評估方法，建議應配合研究資料種類選取合適的生成技術與評估方法。