網路賭博是否應加以規範？－以美國「違法網路賭博執行法案」為借鏡
美國大聯盟(Major League Baseball Properties , 簡稱MLB) 日前於美國紐約南區地方法院對美國運動遊戲卡製造商Upper Deck Entertainment (簡稱Upper Deck) 提出商標侵權訴訟，MLB主張Upper Deck於2009年到2010年期間所新製造、銷售、販賣之棒球卡系列上，球員制服上的隊名logo的標示為不當使用，侵害MLB之商標權；MLB並同時聲請暫時禁制令 (preliminary injunction)，禁止Upper Deck之經銷商銷售、販賣相關系列商品。 2009年8月，MLB與另一運動遊戲卡製造商Topps簽定商標獨家授權合約，約定Topps為MLB唯一合法授權之美國大聯盟系列之棒球用品製造商，此一行為意謂Upper Deck與MLBP之間長達30年的合作關係宣告終止。故Upper Deck 2009-2010年之最新棒球卡上已未標示MLB之商標，而僅以職業棒球球員穿著該隊制服及棒球帽之肖像，甚至在稱呼球隊名稱時也刻意省略隊名，僅以地名代替，如波士頓紅襪隊(Boston Sox)僅簡稱波士頓(Boston)；然而，此舉仍被MLB認為係不當使用MLB商標而提起商標侵權訴訟。Upper Deck稍早僅向經銷商表示，其所製造及販賣之商品並無侵害MLB的商標權，亦無不合法。另，1998年MLB同樣以Pacific Trading Card, Inc.所製造、銷售的運動卡未經MLB商標授權為理由，向紐約法院聲請暫時禁制令，禁止Pacific之經銷商販售相關產品，但紐約法院駁回MLB禁制令之聲請，雖然MLB當時有上訴至第二循廻法院，卻因嗣後與Pacific和解而撤回本件上訴案。故，MLB此次所聲請之暫時禁制令的發展，未必不利於Upper Deck。 目前本案僅MLBP提出聲明，Upper Deck之抗辯尚未公開，MLBP先前與Pacific之商標侵權案以和解終結，本案Upper Deck之使用方式是否侵害MLBP所擁有之30隊美國大聯盟職棒logo及隊名之商標權，將待法院後續判決。
歐洲議會近日通過《數位營運韌性法案》，堅守數位金融市場安全為因應金融產業數位化及鼓勵金融業創新，並在打造歐盟金融業競爭之同時，確保消費者之保護及金融市場之穩定，歐盟執委會於2020年9月間通過「數位金融整體計畫」（Digital Finance Package），該計劃包含之項目十分廣泛，建構了歐盟未來對於數位金融市場之整體性立法框架。 而2022年11月甫通過之「數位營運韌性法案」 （Digital Operational Resilience Act, DORA）便是數位金融整體計畫中之一分支，該法案預計將於2025年生效。有鑑於過去歐盟會員國各自對資通安全事件行動效果有限，且國家措施之不同調導致重疊、不一致、重複之要求而產生高昂之行政和法遵成本，此情況分裂了單一市場，破壞了歐盟金融機構之穩定性和完整性，並危及消費者和投資者保護，遂有本法案之誕生。 本法案主要之訂定目的在於建立資通安全事件之要求標準及通報流程機制以加強銀行、保險業、投信投顧等金融業者之資通安全，使其面臨網路攻擊時，能保有韌性及恢復力，並維持正常之營運狀態。具體而言，本法案為促金融業者達成高度數位經營韌性之統一要求，遂要求金融業者採取以下手段： （一）資通風險管理監控 （二）資通事件之報告及建立於自願基礎上之重大網路威脅通報 （三）向主管機關通報重大營運或支付安全有關之事件 （四）數位營運韌性檢測 （五）有關網路威脅或漏洞有關之資訊情報共享 （六）健全控管對第三方資通技術供應者之機制。 總地而論，本法案透過建立歐盟統一之資通安全事件通報原則及營運韌性檢測標準等方式加強歐盟之眾金融機構在受網路攻擊之應對能力，且將可避免過去各國間無法取得共識，金融機構於發生資通安全事件時手足無措之窘境，值得讚許，或可為我國未來借鏡採納。
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。
從「氣候變遷行動方案」觀察美國能源科技法制政策發展