論文の概要: Distilling Human-Aligned Privacy Sensitivity Assessment from Large Language Models
- arxiv url: http://arxiv.org/abs/2603.29497v1
- Date: Tue, 31 Mar 2026 09:40:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:03.461303
- Title: Distilling Human-Aligned Privacy Sensitivity Assessment from Large Language Models
- Title（参考訳）: 大規模言語モデルを用いた人間指向のプライバシー感性評価
- Authors: Gabriel Loiseau, Damien Sileo, Damien Riquet, Maxime Meyer, Marc Tommasi,
- Abstract要約: 近年の研究では、大きな言語モデル(LLM)が信頼性の高いプライバシ評価として機能し、人間の判断と強く一致していることが示されている。
我々は、Mistral Large 3 (675B) のプライバシー評価能力を、1億5000万のパラメータしか持たない軽量エンコーダモデルに蒸留することで、このギャップに対処する。
- 参考スコア（独自算出の注目度）: 7.9049991577473735
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate privacy evaluation of textual data remains a critical challenge in privacy-preserving natural language processing. Recent work has shown that large language models (LLMs) can serve as reliable privacy evaluators, achieving strong agreement with human judgments; however, their computational cost and impracticality for processing sensitive data at scale limit real-world deployment. We address this gap by distilling the privacy assessment capabilities of Mistral Large 3 (675B) into lightweight encoder models with as few as 150M parameters. Leveraging a large-scale dataset of privacy-annotated texts spanning 10 diverse domains, we train efficient classifiers that preserve strong agreement with human annotations while dramatically reducing computational requirements. We validate our approach on human-annotated test data and demonstrate its practical utility as an evaluation metric for de-identification systems.
- Abstract（参考訳）: テキストデータの正確なプライバシー評価は、プライバシを保存する自然言語処理において依然として重要な課題である。
近年の研究では,大規模言語モデル(LLM)が信頼性の高いプライバシ評価器として機能し,人間の判断に強く一致することが示されている。
我々は、Mistral Large 3 (675B) のプライバシー評価能力を、1億5000万のパラメータしか持たない軽量エンコーダモデルに蒸留することで、このギャップに対処する。
10のドメインにまたがる大規模なプライバシ注釈テキストデータセットを活用することで、人間のアノテーションとの強い合意を維持しながら、計算要求を劇的に削減する効率的な分類器を訓練する。
我々は,人手による検査データに対するアプローチを検証し,その実用性を非識別システムの評価指標として示す。
関連論文リスト
- Text-Based Personas for Simulating User Privacy Decisions [23.902474542548944]
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。
論文 参考訳（メタデータ） (2026-03-20T09:28:15Z) - Challenges in Enabling Private Data Valuation [17.450381366291754]
データアセスメント手法は、個々のトレーニング例がモデルの振る舞いにどのように貢献するかを定量化する。
評価スコアは、個人のデータがトレーニングに含まれていたか、異常な影響があったか、あるいはプロプライエタリなデータセットにどのような機密パターンが存在するかを明らかにすることができる。
プライバシーは基本的に、差分プライバシー(DP)の下でのバリュエーションユーティリティーと緊張関係にある
論文 参考訳（メタデータ） (2026-02-27T22:21:14Z) - Measuring Physical-World Privacy Awareness of Large Language Models: An Evaluation Benchmark [10.645183619391135]
EAPrivacyは、エンボディエージェントの物理世界のプライバシー意識を定量化するために設計された総合評価ベンチマークである。
EAPrivacyは、4層にわたる手続き的に生成されたシナリオを使用して、エージェントの機密性のあるオブジェクト処理能力のテスト、環境の変化への適応、タスクの実行とプライバシの制約のバランス、社会的規範との矛盾の解決を行う。
論文 参考訳（メタデータ） (2025-09-27T23:39:56Z) - PrivacyMind: Large Language Models Can Be Contextual Privacy Protection Learners [81.571305826793]
コンテキストプライバシ保護言語モデル(PrivacyMind)を紹介する。
我々の研究はモデル設計に関する理論的分析を提供し、様々な手法をベンチマークする。
特に、肯定的な例と否定的な例の両方による命令チューニングは、有望な方法である。
論文 参考訳（メタデータ） (2023-10-03T22:37:01Z) - Bring Your Own Data! Self-Supervised Evaluation for Large Language
Models [52.15056231665816]
大規模言語モデル(LLM)の自己教師型評価のためのフレームワークを提案する。
閉書知識,毒性,長期文脈依存性を測定するための自己指導型評価戦略を実証する。
自己監督評価と人監督評価との間には強い相関関係が認められた。
論文 参考訳（メタデータ） (2023-06-23T17:59:09Z) - You Are What You Write: Preserving Privacy in the Era of Large Language
Models [2.3431670397288005]
本稿では,様々な人気モデルを用いて,事前学習された表現に符号化された個人情報の範囲について,実証的研究を行う。
モデルの複雑さ,事前学習に使用するデータ量,およびデータ漏洩との間には,正の相関関係を示す。
論文 参考訳（メタデータ） (2022-04-20T11:12:53Z) - Semantics-Preserved Distortion for Personal Privacy Protection in Information Management [65.08939490413037]
本稿では,意味的整合性を維持しつつテキストを歪ませる言語学的アプローチを提案する。
本稿では, 意味保存歪みの枠組みとして, 生成的アプローチと置換的アプローチの2つを提示する。
また、特定の医療情報管理シナリオにおけるプライバシ保護についても検討し、機密データの記憶を効果的に制限していることを示す。
論文 参考訳（メタデータ） (2022-01-04T04:01:05Z)
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。