美國將重新檢討網域管理政策
目前美國政府主要透過對「網域名稱與位址管理機構」（ the Internet Corporation for Assigned Names and Numbers ； IC ANN ）的控制，來管理所有”.com” 的網域，並擁有否決網域名稱申請案的權力。美國對於網域的控制，引起部分國家的政府及評論家的批評，認為美國政府對網域的過度干預，已經影響了全球通訊及商業運作的基礎。舉例而言，由於美國政府強烈反對，使專用色情網域”.xxx”申請案遭 ICANN 否決一事，升高了歐盟執委會對美國政府過渡干預網域管理的不滿。
為平衡國際輿論壓力，美國商業部預定於 2006 年 9 月底前召開公聽會，討論往後網域管理的程序及方式，並計畫於 9 月 30 日改變目前對 ICANN 的管理策略。
- http://news.com.com/Hearing+looks+at+Net+name+privatization+plan/2100-1014_3-6098010.html
- http://news.com.com/ICANN+needs+to+clamp+down+on+domain+name+abuse/2010-1030_3-6084970.html?tag=nl
- http://today.reuters.com/news/NewsArticle.aspx?type=internetNews&storyID=2006-07-24T212541Z_01_N24378087_RTRUKOC_0_US-INTERNET.xml&pageNumber=0&imageid=&cap=&sz=13&WTModLoc=NewsArt-C1-ArticlePage2
英國政府於2021年11月24日，提出產品安全及電信基礎設施法案（Product Security and Telecommunications Infrastructure Bill，PSTI法案），要求物聯網供應商、提供網際網路連線服務之公司或其他數位科技產品之製造商、進口商，及經銷商符合新網路安全標準，並對未遵守規範者處以巨額罰款。 PSTI法案之通過將保護消費者免受資安攻擊，並使政府得以引入更加嚴格的安全標準。該法案之內容包含，禁止數位科技產品之業者使用單一且通用之預設密碼，產品之預設密碼都必須有所不同；供應商應具備漏洞揭露政策，並應向客戶公開公司正採取何種防禦作為，處理該安全漏洞；應公開相關聯繫資訊或建立聯繫平台，使安全研究人員或其他人發現產品缺陷及錯誤時，方便與其聯繫；另外，針對不符合要求之產品或服務，政府亦將有權阻止其於英國境內銷售。 在電信基礎設施改革方面，將促進營運商與電信託管設備之土地所有權人進行更快速有效之談判，減少相關冗長的法律爭訟事件，例如，要求電信營運商透過訴訟外紛爭解決機制（Alternative Dispute Resolution，ADR）解決紛爭，無須訴諸法院。亦加快續約之談判流程，讓根據舊有協議安裝基礎設施之營運商，得以按照類似條款進行續約，英國政府希望透過這些措施使95%國土擁有4G網路覆蓋，至2027年大多數人口能使用5G網路。 PSTI法案生效後，英國政府將指定監管機構，其有權限針對違反規範之企業處以最高1000萬英鎊罰鍰，或以其在全球之營業總額的4%作為罰款。
飛利浦推出新授權機制，光碟片廠仍有所質疑繼2001年引起國內科技產業界關注的公平會處分飛利浦CD-R授權案、2004年7月28日智慧局依循專利法第76 條規定，做成CD-R技術之強制授權決定，准予國碩公司針對飛利浦公司五項專利權所提出的強制授權申請後，飛利浦與台灣光碟片廠的權利金拔河仍未停歇，近日飛利浦宣布，將推動全新的CD-R光碟片專利授權模式—Veeza，根據此一授權模式，每片CD-R光碟片的授權金降幅高達44%。 飛利浦認為Veeza有助於恢復產業競爭的公平性，台灣光碟片卻不這樣認為，首先台灣最主要的競爭對手印度MBI，因飛利浦在印度沒有專利權保護，當地生產的光碟片出貨並不用繳納權利金。另外大陸業者也不按照規定繳交權利金，故即使調降權利金，我國廠商仍認為一旦與飛利浦簽訂新契約，屆時反而更加綁手綁腳，更無法與印度與大陸廠商競爭，市場公平競爭性反而降低，故截至目前為止，並沒有任何一家台灣光碟片廠與飛利浦簽訂新契約。
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。