FTC對廣告不實的孩童增高藥片開鍘
HeightMax以英語和西班牙語在網際網路和收音機等方式播送廣告，並捏造一位名為William Thomson的生化博士，宣稱HeightMax在其臨床試驗與長期的研究後，可以在6個月內令使用者增加2至3英吋的身高等。FTC指出被告製作虛偽不實的廣告內容且無確實證據可供支持該公司的論述，經佛羅里達州法院宣判，被告Sunny Health Nutrition公司將支付37萬5千美元的和解金與190萬美金的廣告費用，來賠償消費者並為更正的內容。
消費者評論服務Angie's List於本月在印第安納州提起一項聯邦訴訟，對象是Amazon Local。Angie's List作為當地交易網站，提供高達75％的本地服務，包括產品和使用經驗。但Amazon Local員工卻通過註冊成為Angie's List的會員，以獲得其他會員名單和下載網站所提供的文件，也包括其他會員的評論和相關資訊。因此20餘名Amazon Local員工被列為共同被告。 該訴訟聲明中指控相關資訊被Amazon Local所使用，用以在西雅圖建立一個競爭性的服務。Angie's List在訴訟中指稱，他在會員協議“明確禁止使用Angie's List的帳戶和資料用於商業目的”，但Amazon Local員工卻違反了契約。“Amazon Local沒有投入必要的時間，資源和合法手段發展自己的研究與Angie's List競爭，相反的，Angie's List和它的員工都選擇了秘密訪問和挪用Angie's List專有信息的快捷方式。 Angie's List指控Amazon Local違反商業機密，竊盜，侵入電腦，民事侵權，電腦欺詐與濫用盜用行為和違反契約。Angie's List請求法院判決Amazon Local賠償其損失，並禁止Amazon Local再使用Angie's List，包括已經得到的資訊。Angie's List也請求未規定的損害賠償，“不當得利”和懲罰性的和其他損害。
日本IPA/SEC公佈「IoT高信賴化機能編」指導手冊日本獨立行政法人情報處理推進機構（IPA/SEC）於2016年3月公佈「聯繫世界之開發指引」，並於2017年5月8日推出「IoT高信賴化機能編」指導手冊，具體描述上開指引中有關技術面之部份，並羅列開發IoT機器、系統時所需之安全元件與機能。該手冊分為兩大部份，第一部份為開發安全的IoT機器和關聯系統所應具備之安全元件與機能，除定義何謂「IoT高信賴化機能」外，亦從維修、運用角度出發，整理開發者在設計階段須考慮之系統元件，並依照開始、預防、檢查、回復、結束等五大項目進行分類。第二部份則列出五個在IoT領域進行系統連接之案例，如車輛和住宅IoT系統的連接、住家內IoT機器之連接、產業用機器人與電力管理系統之連接等，並介紹案例中可能產生的風險，以及對應該風險之機能。IPA/SEC希望上開指引能夠作為日後國際間制定IoT國際標準的參考資料。
美國發起「投資報酬計畫」（Return on Investment Initiative, ROI）全面檢視科研成果商業化法制川普總統在2018年4月發布「總統管理議程」（President’s Management Agenda）將國家科研成果商業化之發展視為「聯邦跨機關優先目標」（Cross-Agency Priority Goal, CAP Goal）。為維持美國全球科技創新領先地位，美國政府每年投資約1500億美元於各聯邦所屬大學與研究機構進行科技研究。美國國家標準與技術中心（NIST）與白宮科技政策辦公室（OSTP）聯合發起「投資報酬計畫」（Return on Investment Initiative, ROI），宗旨為釋放美國創新（Unleashing American Innovation），讓政府投資預算發揮科研補助之最大效益。 計畫目的包括：1.評估現行政府從事技術移轉指導原則，檢視應予以維持與待改革之處；2.吸引後期研發、商業化與先進製程的技轉投資，並降低法規阻礙；3.支持科研創新產官學合作模式與技轉機制；4.有效移除技轉阻礙以利加速技轉成效，並聚焦於國家重要產業發展的新興措施；5.評估聯邦政府資金運用指標成效；6.創造激勵學研機構提升技轉成效之誘因。 NIST調查指出，阻礙技轉發展之原因包括：1.技轉與智慧財產權協商所涉高額交易與時間成本；2.不同政府單位對法規之解釋、適用與實踐意見相歧；3.智慧財產權保護不足、技術授權使用限制與政府行使介入權（march-in rights）限制；4.公務員參與科技新創與衍生企業（spin-off）限制與利益衝突規範。此ROI計畫已於2018年7月30日完成各方意見徵詢，總計共104份。預計於2019年年初，做出完整分析報告與法制建議。
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。