論文の概要: Text-Based Personas for Simulating User Privacy Decisions

• arxiv url: http://arxiv.org/abs/2603.19791v1
• Date: Fri, 20 Mar 2026 09:28:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:39.083677
• Title: Text-Based Personas for Simulating User Privacy Decisions
• Title（参考訳）: ユーザプライバシ決定をシミュレートするテキストベースのペルソナ
• Authors: Kassem Fawaz, Ren Yi, Octavian Suciu, Rishabh Khandelwal, Hamza Harkous, Nina Taft, Marco Gruteser,
• Abstract要約: テキストベースの合成プライバシペルソナを生成するNarrivaを提案する。 個人レベルのプライバシ嗜好と人口レベルのプライバシ選好の両方をモデル化する際のナリバの合成ペルソナの特徴を分析する。
• 参考スコア（独自算出の注目度）: 23.902474542548944
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ability to simulate human privacy decisions has significant implications for aligning autonomous agents with individual intent and conducting cost-effective, large-scale privacy-centric user studies. Prior approaches prompt Large Language Models (LLMs) with natural language user statements, data-sharing histories, or demographic attributes to simulate privacy decisions. These approaches, however, fail to balance individual-level accuracy, prompt usability, token efficiency, and population-level representation. We present Narriva, an approach that generates text-based synthetic privacy personas to address these shortcomings. Narriva grounds persona generation in prior user privacy decisions, such as those from large-scale survey datasets, rather than purely relying on demographic stereotypes. It compresses this data into concise, human-readable summaries structured by established privacy theories. Through benchmarking across five diverse datasets, we analyze the characteristics of Narriva's synthetic personas in modeling both individual and population-level privacy preferences. We find that grounding personas in past privacy behaviors achieves up to 88% predictive accuracy (significantly outperforming a non-personalized LLM baseline), and yields an 80-95% reduction in prompt tokens compared to in-context learning with raw examples. Finally, we demonstrate that personas synthesized from a single survey can reproduce the aggregate privacy behaviors and statistical distributions (TVComplement up to 0.85) of entirely different studies.
• Abstract（参考訳）: 人間のプライバシー決定をシミュレートする能力は、自律的なエージェントを個別の意図と整合させ、コスト効率が高く大規模なプライバシー中心のユーザー研究を行う上で重要な意味を持つ。 以前のアプローチでは、自然言語のユーザステートメント、データ共有履歴、あるいはプライバシー決定をシミュレートする統計属性を備えたLarge Language Models (LLM) が提案されていた。 しかし、これらのアプローチは個々のレベルの精度、ユーザビリティ、トークン効率、人口レベルの表現のバランスを取れない。 私たちは、これらの欠点に対処するために、テキストベースの合成プライバシペルソナを生成するアプローチであるNarrivaを紹介します。 Narrivaは、人口統計学のステレオタイプに頼るのではなく、大規模な調査データセットのような、以前のユーザのプライバシ決定におけるペルソナ生成を基礎としている。 このデータを、確立されたプライバシー理論によって構成された簡潔で可読な要約に圧縮する。 5つの多様なデータセットをベンチマークすることで、個人レベルのプライバシ嗜好と人口レベルのプライバシ選好の両方をモデル化する上で、Narrivaの合成ペルソナの特徴を分析する。 過去のプライバシ行動におけるグラウンド・ペルソナは,最大88%の予測精度(特に非パーソナライズLDMベースラインを上回り,実例によるテキスト内学習と比較して80～95%のプロンプトを減少させることがわかった。 最後に、一つの調査から合成されたペルソナが、全く異なる研究の総合的なプライバシー行動と統計分布(TVComplement 最大 0.85 まで)を再現できることを実証した。

関連論文リスト

• HumanLLM: Towards Personalized Understanding and Simulation of Human Nature [72.55730315685837]
  HumanLLMは個人のパーソナライズされた理解とシミュレーションのために設計された基礎モデルである。 私たちはまず、Reddit、Twitter、Blogger、Amazonといったプラットフォーム上で、現実世界のユーザデータをキュレートした大規模なコーパスであるCognitive Genomeを構築しました。 次に、多様な学習タスクを定式化し、教師付き微調整を行い、モデルの幅広い個人化された人間の行動、思考、経験を予測する。
  論文  参考訳（メタデータ） (2026-01-22T09:27:27Z)
• How to DP-fy Your Data: A Practical Guide to Generating Synthetic Data With Differential Privacy [52.00934156883483]
  Differential Privacy(DP)は、情報漏洩を推論し、制限するフレームワークである。 Differentially Private Synthetic Dataは、ソースデータの全体的なトレンドを保存する合成データを指す。
  論文  参考訳（メタデータ） (2025-12-02T21:14:39Z)
• Identifying Privacy Personas [27.301741710016223]
  プライバシ・ペルソナは、自身の知識、行動パターン、自己効力度レベル、プライバシ保護の重要性に対する認識に関して、ユーザセグメントの違いを捉えている。 文学では様々なプライバシ・ペルソナが派生しているが、重要な属性の観点から異なる人物をまとめている。 本研究では,対話型教育アンケートに対する質的,定量的な回答分析を組み合わせることで導出する8つのペルソナを提案する。
  論文  参考訳（メタデータ） (2024-10-17T20:49:46Z)
• A Synthetic Dataset for Personal Attribute Inference [2.9373912230684565]
  LLMはオンラインのテキストから個人情報を正確に推測する能力だ。 個人属性を手動でラベル付けした7800以上のコメントからなる多様な合成データセットであるSynthPAIを生成する。 我々のデータセットを人間による研究で検証し、人間が実際のコメントを区別するタスクにおいて、ランダムな推測をわずかに上回っていることを示す。
  論文  参考訳（メタデータ） (2024-06-11T12:50:53Z)
• Mean Estimation with User-level Privacy under Data Heterogeneity [54.07947274508013]
  異なるユーザーは、非常に多くの異なるデータポイントを持っているかもしれない。 すべてのユーザが同じディストリビューションからサンプルを採取していると仮定することはできない。 本研究では,データの分布と量の両方でユーザデータが異なる異質なユーザデータの単純なモデルを提案する。
  論文  参考訳（メタデータ） (2023-07-28T23:02:39Z)
• How Do Input Attributes Impact the Privacy Loss in Differential Privacy? [55.492422758737575]
  DPニューラルネットワークにおけるオブジェクトごとの規範と個人のプライバシ損失との関係について検討する。 プライバシ・ロス・インプット・サセプティビリティ(PLIS)と呼ばれる新しい指標を導入し、被験者のプライバシ・ロスを入力属性に適応させることを可能にした。
  論文  参考訳（メタデータ） (2022-11-18T11:39:03Z)
• Differentially Private Language Models for Secure Data Sharing [19.918137395199224]
  本稿では,生成言語モデルを個別に学習し,その結果を抽出する方法について述べる。 自然言語のプロンプトと新しいプロンプトミスマッチの損失を用いることで、高度に正確で流動的なテキストデータセットを作成できる。 我々は、我々の合成データセットが元のデータから情報を漏らさず、言語質が高いことを示す徹底的な実験を行う。
  論文  参考訳（メタデータ） (2022-10-25T11:12:56Z)
• SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
  本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。 提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
  論文  参考訳（メタデータ） (2022-04-11T14:42:54Z)
• Differentially Private and Fair Deep Learning: A Lagrangian Dual Approach [54.32266555843765]
  本稿では,個人の機密情報のプライバシを保護するとともに,非差別的予測器の学習を可能にするモデルについて検討する。 この方法は、微分プライバシーの概念と、公正性制約を満たすニューラルネットワークの設計にラグランジアン双対性(Lagrangian duality)を用いることに依存している。
  論文  参考訳（メタデータ） (2020-09-26T10:50:33Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。