論文の概要: ContextLens: Modeling Imperfect Privacy and Safety Context for Legal Compliance

• arxiv url: http://arxiv.org/abs/2604.12308v1
• Date: Tue, 14 Apr 2026 05:35:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.260481
• Title: ContextLens: Modeling Imperfect Privacy and Safety Context for Legal Compliance
• Title（参考訳）: ContextLens: 法的コンプライアンスのための不完全なプライバシと安全コンテキストをモデル化する
• Authors: Haoran Li, Yulin Chen, Huihao Jing, Wenbin Hu, Tsz Ho Li, Chanhou Lou, Hong Ting Tsang, Sirui Han, Yangqiu Song,
• Abstract要約: 本研究では,大規模言語モデル(LLM)を活用し,法的領域における入力コンテキストを基盤とするセミルールベースのフレームワークであるContextLensを提案する。 我々は、General Data Protection Regulation()とEU AI Actをカバーする既存のコンプライアンスベンチマークの実験を行います。 その結果、ContextLensはLLMのコンプライアンス評価を大幅に改善し、トレーニングなしで既存のベースラインを越えられることが示唆された。
• 参考スコア（独自算出の注目度）: 49.524070843587594
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Individuals' concerns about data privacy and AI safety are highly contextualized and extend beyond sensitive patterns. Addressing these issues requires reasoning about the context to identify and mitigate potential risks. Though researchers have widely explored using large language models (LLMs) as evaluators for contextualized safety and privacy assessments, these efforts typically assume the availability of complete and clear context, whereas real-world contexts tend to be ambiguous and incomplete. In this paper, we propose ContextLens, a semi-rule-based framework that leverages LLMs to ground the input context in the legal domain and explicitly identify both known and unknown factors for legal compliance. Instead of directly assessing safety outcomes, our ContextLens instructs LLMs to answer a set of crafted questions that span over applicability, general principles and detailed provisions to assess compliance with pre-defined priorities and rules. We conduct extensive experiments on existing compliance benchmarks that cover the General Data Protection Regulation (GDPR) and the EU AI Act. The results suggest that our ContextLens can significantly improve LLMs' compliance assessment and surpass existing baselines without any training. Additionally, our ContextLens can further identify the ambiguous and missing factors.
• Abstract（参考訳）: データプライバシとAI安全性に関する個人の懸念は、高度にコンテキスト化され、センシティブなパターンを越えて拡張される。 これらの問題に対処するには、潜在的なリスクを特定し、緩和するためのコンテキストに関する推論が必要である。 研究者は大規模言語モデル(LLM)をコンテキスト化された安全性とプライバシアセスメントの評価手段として広く研究してきたが、これらの取り組みは通常、完全で明確なコンテキストの可用性を前提としているが、現実のコンテキストは曖昧で不完全である傾向にある。 本稿では,LLMを利用した半ルールベースのフレームワークであるContextLensを提案する。 ContextLensは、安全性を直接評価する代わりに、LCMに対して、適用性、一般的な原則、詳細な規定にまたがる一連の厳密な質問に答えるように指示します。 我々は、GDPR(General Data Protection Regulation)とEU AI Actをカバーする既存のコンプライアンスベンチマークに関する広範な実験を行っている。 その結果、ContextLensはLLMのコンプライアンス評価を大幅に改善し、トレーニングなしで既存のベースラインを越えられることが示唆された。 さらに、ContextLensは曖昧で欠落している要素をさらに特定できます。

関連論文リスト

• Keep Security! Benchmarking Security Policy Preservation in Large Language Model Contexts Against Indirect Attacks in Question Answering [15.506092447902931]
  大規模言語モデル(LLM)は、企業や政府のような機密性の高いドメインにますますデプロイされている。 我々は,質問応答における文脈的非開示ポリシーに対するLCMの適合性を評価する,新しい大規模ベンチマークデータセットであるCoPrivaを紹介した。 私たちはベンチマークで10個のLSMを評価し、重大な脆弱性を明らかにします。
  論文  参考訳（メタデータ） (2025-05-21T17:58:11Z)
• Context Reasoner: Incentivizing Reasoning Capability for Contextualized Privacy and Safety Compliance via Reinforcement Learning [53.92712851223158]
  安全とプライバシの問題を文脈整合性(CI)理論に従って文脈整合性問題に定式化する。 CIフレームワークの下では、当社のモデルを3つの重要な規制基準 – EU AI ActとHIPAA – に整合させています。 我々は、安全・プライバシー基準の遵守を高めつつ、文脈推論能力を高めるためにルールベースの報酬を持つ強化学習(RL)を採用している。
  論文  参考訳（メタデータ） (2025-05-20T16:40:09Z)
• CASE-Bench: Context-Aware SafEty Benchmark for Large Language Models [12.385397523940277]
  大規模言語モデル(LLM)の安全性評価にコンテキストを組み込んだコンテキスト認識型SafEtyベンチマークであるCASE-Benchを紹介する。 Case-Benchは、コンテキスト整合性理論に基づく分類されたクエリに、明確に記述されたコンテキストを割り当てる。 本分析は, 安全性評価における文脈の必要性を強調し, 文脈が人間の判断に大きく, 重大な影響があることを明らかにする。
  論文  参考訳（メタデータ） (2025-01-24T21:55:14Z)
• Unveiling the Misuse Potential of Base Large Language Models via In-Context Learning [61.2224355547598]
  大規模言語モデル(LLM)のオープンソース化は、アプリケーション開発、イノベーション、科学的進歩を加速させる。 我々の調査は、この信念に対する重大な監視を露呈している。 我々の研究は、慎重に設計されたデモを配置することにより、ベースLSMが悪意のある命令を効果的に解釈し実行できることを実証する。
  論文  参考訳（メタデータ） (2024-04-16T13:22:54Z)
• ALERT: A Comprehensive Benchmark for Assessing Large Language Models' Safety through Red Teaming [64.86326523181553]
  ALERTは、新しいきめ細かいリスク分類に基づいて安全性を評価するための大規模なベンチマークである。 脆弱性を特定し、改善を通知し、言語モデルの全体的な安全性を高めることを目的としている。
  論文  参考訳（メタデータ） (2024-04-06T15:01:47Z)

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。