澳洲財政部發佈群眾募資法制框架選項之諮詢文件
2014年12月澳洲財政部就股權式群眾募資(Crowd-Sourced Equity Funding, CSEF)對外發佈政策框架選項的諮詢文件，為使新創企業容易對廣大的中小投資者籌集資金，該稿件承認政府需要採取行動，以克服現有的監管障礙，以利在澳洲廣泛的使用群眾募資這項工具。
提出討論文件的三個政策選項包括：
一、 公司和市場諮詢委員會（CAMAC）在2014年6月提出的法制框架。
二、 在2014年4月份於紐西蘭生效施行的紐西蘭模式(New Zealand model)的法制框架。
三、 維持現狀。
上述方案各具特色及優缺點，在公司和市場諮詢委員會(CAMAC)的提案中，建議專注於修改聯邦公司法，創造一類特殊的豁免上市公司(不需召開年度股東大會、提供經審計之財務報告等)，且限制符合條件之小型企業才能納入，此外，設定200萬美元的募資上限，並可在12個月內在此範圍內提高募資；在中介機構部分，需持有澳大利亞金融服務執照(AFSL)，對於盡職調查(Due diligence)所承擔的責任要求較低，須提供風險警告予參與群眾募資的投資者，且禁止提供其投資諮詢和貸款；對於投資者之規定，則設有個案均僅能投資2,500澳幣的上限以及12個月內投資股權式群眾募資，總金額不得超過10,000澳幣的限制。
若選擇第二方案，即使用已於2014年4月生效的紐西蘭法制框架，與第一方案相較具有諸多相似之處。然而，兩制間也存有顯著的差異，包括紐西蘭模式並未特別創設一類豁免上市公司、也未將進行股權式群眾募資的公司限制於小企業；對中介機構平台的收費標準不設限制，資訊揭露要求亦較低；而對參加投資者的投資金額限制原則上是近乎相同的。
如果選擇第三個維持現狀方案，在現行法制下意味著群眾募資起始時將面臨50名非員工股東的上限、股份公開報價禁令的限制，設立後須負擔如定期發佈經查核之財報等較一般私有企業更繁重的公司治理要求，此外，中介機構如群眾募資平台等也必須擁有澳大利亞金融服務執照(AFSL)。
諮詢文件訂立2014年12月8日至2015年2月6日這段期間內，向大眾公開徵求建議，並要求各利害關係人如中介機構，包括創投基金與群眾募資平台之意見。以推動群眾募資法制化，並尋求進一步的磋商出可能的立法草案，在確保減少監管障礙與保持充足投資者保護之間取得適當的平衡。可預期的未來這一年群眾募資的法制架構將在澳洲逐漸明朗化。
- Michael Hansel & Richard Hanel, Corporate advisory and governance alert: crowd sourced equity funding – riding the wave of change, Hopgoodganim, Jun 19
- Andrea Beatty, Brad Lynch, Russell Lyons & Becki Tarn, CAMAC's report on equity crowdfunding, JDSUPRA, Jun 19, 2014
- Kye White, Regulation hold-ups put Australia at risk of falling behind in the equity crowdfunding stakes, startupsmart, Sep 18, 2014
- A big step forward for crowd-sourced equity funding, GRTLAWYERS, Dec 12, 2014
- Andrew Macpherson, Equity crowd funding in Australia – Where to now? MacphersonGreenleaf, Dec 18, 2014
- Andrea Beatty, Brad Lynch, Russell Lyons & Becki Tarn, Treasury releases discussion paper on crowd-sourced equity funding, JDSUPRA, Dec 29, 2014
- Australian Government Treasury, Crowd-sourced equity funding discussion paper(2014)
2017年6月28日日本經濟產業省發佈「第四次產業革命競爭政策研究會報告書-以實現產業整合（Connected Industries）為目標-」。日本政府為能持續推動該國經濟，以建立創新附加價值的產業社會為目標，以實現產業整合並促進創新與競爭環境，於本年度一月至六月召開七次「第四次產業革命競爭政策研究會」，進行日本競爭政策檢討，並於28日發佈第一階段報告書。 本報告中提出四種大數據應用的商業模式，分別為：單獨成長型、附隨應用型、他面活用型與多面展開型四種。單獨成長型著重於產品或服務本身透過資料蒐集應用來改善品質。附隨應用型則除了透過資料搜集以進行產品與服務品質改善以外，亦擴散經驗運用到其他使用者的服務內容改善。他面活用型則透過產品或服務的資料蒐集，運用到其他的領域（例如駕駛資料的蒐集運用到保險費率的計算）。多面展開型則將多種不同的產品與服務的資料取得後綜整分析以能相互提升品質，或應用到新發展的領域。 報告中並提出資料運用對競爭環境影響的三個關鍵步驟。首先是資料本身的影響力，包括資料本身的必要性、資料品質、蒐集成本等。其次為資料蒐集的可能性，因其他競爭者也可能取得相同資料，故應確保資料的稀少性與蒐集能力的差異（與競爭者能區別）。第三是資料運用可能性，應注意資料應用上是否有資金、人才在競爭上的其他限制。
美國國家公路交通安全管理局公布車輛網路安全最佳實踐，呼籲業界遵循美國國家公路交通安全管理局（National Highway Traffic Safety Administration, NHTSA）於2022年9月9日公布2022年最新版本之當代車輛網路安全最佳實踐（Cybersecurity Best Practices for the Safety of Modern Vehicles），強化政府對先進聯網車輛網路安全之把關。 文件將網路安全實踐項目區分為「一般網路安全最佳實踐」及「車輛技術網路安全最佳實踐」兩塊，前者主要為公司整體組織網路安全文化與監管機制之建立；後者則偏重於技術性的建議內涵。 「一般網路安全最佳實踐」共有45項要點，核心概念為：公司應訂定明確的網路安全評估程序，由領導階層負責相關監督責任，定期執行網路安全之風險評估及第三方公正稽核，並對其所發現之風險弱點採取保護措施並持續監控，同時應妥善保存所有網路安全相關之紀錄文件，並鼓勵與車輛同業聯盟彼此分享學習經驗。對於組織成員應適當提供網路安全教育訓練。於產品設計時，應將產品使用者、售後服務維修商，以及可能的外接式電子設備所帶來之風險一併納入安全設計考量。 「車輛技術網路安全最佳實踐」共有25項，核心理念為：對於產品開發人員，應建立存取權限管理，避免有心人士濫用權限。產品所使用的加密技術應隨時更新，若車輛具備診斷功能，應慎防遭到不當利用，且應防止車輛所搭載之感測器遭到惡意干擾或改動，感測器所收集到之資料則應能免於網路攻擊或竊取。應特別注意無線網路設備、空中軟體更新（Over-the-air, OTA）以及公司作業軟體所產生之風險漏洞。 本文件屬於自願性質，無法律強制力。但NHTSA期望在現有的車輛產業網路安全標準上，例如國際標準組織與國際汽車工程師協會（International Standards Organization, ISO/SAE International, SAE）先前所訂定的車輛網路安全標準ISO/SAE 21434的基礎前提下，進一步提出政府對車輛網路安全要求的努力。
芬蘭電子化政府服務採用行動數位簽章為了便利經常透過網際網路與政府打交道的民眾，芬蘭人口登記中心 (The Finnish Population Register Centre) 推出了一項創新的方式，也就是利用行動電話提供網路服務的安全憑證。而 Elisa 是首家與芬蘭人口登記中心合作並提供行動電話使用者身分認證這項服務的電話公司。 由芬蘭第二大行動電話網路公司 Elisa 所推出的第一批載有行動簽章 (mobile signature) 所需之安全憑證的行動電話 SIM 卡正式問世，此種 SIM 卡是以國際高科技集團捷德公司 (Giesecke & Devrient, G&D) 的 UniverSIM 產品為基礎所研發，卡片上載有一張類似我國自然人憑證的公民憑證 (citizen certificate) ，具有簽章功能與加密機制。此種技術屬於行動安全建置 (mobile security architecture) －也就是公開金鑰基礎建設 (PKI) －的一部份，能夠確保身分辨識所需具備的安全性與獨特性。 想要利用這項透過行動電話之數位簽章享受政府服務的民眾 可以在當地警察局登記， 預計在 ２００５ 年底前，芬蘭的 OKO 銀行、社會保險機構、稅務機關以及勞工局等都會利用這個新的行動公民憑證 (mobile citizen certificate) 來提供服務，這將會使芬蘭人民擁有一個全國性數位服務的電子身分證。此舉也使得芬蘭在行動通訊與電子化政府領域的領先地位更形穩固。
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。