論文の概要: Privacy Without Losing Place: A Paradigm for Private Retrieval in Spatial RAGs

• arxiv url: http://arxiv.org/abs/2605.05459v1
• Date: Wed, 06 May 2026 21:33:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.420392
• Title: Privacy Without Losing Place: A Paradigm for Private Retrieval in Spatial RAGs
• Title（参考訳）: 失う場所のないプライバシ:空間的RAGにおけるプライベート検索のパラダイム
• Authors: Kennedy Edemacu, Mohammad Mahdi Shokri, Vinay M. Shashidhar, Jong Wook Kim,
• Abstract要約: PASは、アンカー、方向ビン、距離ビンからなる相対的なアンカーエンコーディングを持つ位置を表す。 我々は,合成都市データセット上でPASを評価し,約370～400mの逆位置誤差を伴って,粗いプライバシー保証を実現することを示す。
• 参考スコア（独自算出の注目度）: 5.928512439824825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This work introduces PAS -- Privacy Anchor Substitution, a structured mechanism for enabling user location privacy in spatial retrieval-augmented generation (RAG) systems. Unlike conventional differential privacy methods that directly perturb user locations, PAS represents location with relative anchor encoding consisting of an anchor, direction bin, and distance bin, allowing seamless integration with modern RAG pipelines. We evaluate PAS on a synthetic urban dataset and show that it achieves impressive coarse privacy guarantees, with approximately 370-400m adversarial location error, while retaining more than half of the baseline retrieval performance. Despite the slight drop in retrieval performance, the downstream generation quality under PAS remains comparatively robust, indicating that large language models can compensate for imperfect spatial retrieval. Furthermore, we provide empirical analysis showing that PAS exhibits non-monotonic privacy-utility relationship with respect to privacy parameters. We attribute this to geometric bias induced by anchor discretization, making it different from continuous noise mechanisms such as geo-indistinguishability. Our results show that structured spatial representations offer a practical approach to privacy in location based reasoning in RAG systems.
• Abstract（参考訳）: この研究は、空間検索強化世代(RAG)システムにおいて、ユーザの位置情報のプライバシを可能にする構造化メカニズムであるPAS-Privacy Anchor Substitutionを導入する。 ユーザー位置を直接摂動する従来の差分プライバシー方式とは異なり、PASはアンカー、方向ビン、距離ビンからなる相対的なアンカーエンコーディングを持つ位置を表しており、現代のRAGパイプラインとシームレスに統合できる。 筆者らは,合成都市データセット上でPASを評価し,約370～400mの逆位置誤差を伴って,粗いプライバシー保証を実現するとともに,ベースライン検索性能の半分以上を維持した。 検索性能の低下にもかかわらず、PASによる下流生成の品質は比較的堅牢であり、大きな言語モデルが不完全な空間検索を補うことを示唆している。 さらに,PASはプライバシパラメータに関して,非モノトニックなプライバシ・ユーティリティ関係を示すことを示す実証分析を行った。 これは、アンカーの離散化によって引き起こされる幾何学的バイアスによるもので、ジオインディペンシビリティのような連続的なノイズメカニズムとは異なる。 以上の結果から,構造化空間表現はRAGシステムにおける位置ベース推論におけるプライバシに実践的なアプローチを提供することが示された。

関連論文リスト

• Taming Noise-Induced Prototype Degradation for Privacy-Preserving Personalized Federated Fine-Tuning [21.950552296952623]
  Prototype-based Personalized Federated Learning (ProtoPFL) は、コンパクトクラスプロトタイプを通信することで、効率的なマルチドメイン適応を実現する。 一般的な防御策としては、プロトタイプをバインドして感度を制限し、その後に局所微分プライバシーを強制する等方的ノイズが伴う。 本稿では,既存のProtoPFLにシームレスに統合されたクライアント側のプライバシプラグインであるVPDRを提案する。
  論文  参考訳（メタデータ） (2026-04-30T13:20:51Z)
• Differentially Private Manifold Denoising [5.0794787043927725]
  本稿では,ノイズの多い非プライベートな問合せ点の修正にセンシティブな参照データセットを活用可能な,微分プライベートなデノベーションフレームワークを提案する。 このフレームワークは、$(varepsilon,)$-differential privacy (DP)を使用して反復およびクエリ間で厳格なプライバシ会計を実行する。 実際には、このフレームワークは多様体メソッドに差分プライバシーをもたらし、埋め込み、クラスタリング、可視化といった下流タスクに十分な幾何学的信号を保持する。
  論文  参考訳（メタデータ） (2026-04-01T14:13:59Z)
• CityGuard: Graph-Aware Private Descriptors for Bias-Resilient Identity Search Across Urban Cameras [16.147944008359957]
  CityGuardは、分散型監視におけるプライバシー保護ID検索のためのトポロジ対応トランスフォーマーである。 分散適応計量学習器は、特徴展開に応じてインスタンスレベルのマージンを調整し、クラス内コンパクト性を高める。 プライベート埋め込みマップは、セキュアでコスト効率の良いデプロイメントをサポートするために、コンパクトな近似インデックスと結合される。
  論文  参考訳（メタデータ） (2026-02-20T08:00:17Z)
• Personalized 3D Spatiotemporal Trajectory Privacy Protection with Differential and Distortion Geo-Perturbation [64.60694805725727]
  本稿では3DSTPMという,個人化された3次元トラジェクトリプライバシ保護機構を提案する。 軌道上の位置間の相関を利用して攻撃する攻撃者の特徴を分析し,攻撃モデルを示す。 提案した3DSTPMは,ユーザのパーソナライズされたプライバシ保護のニーズを満たす際に,損失を効果的に低減することを示す。
  論文  参考訳（メタデータ） (2025-11-27T07:41:14Z)
• On the MIA Vulnerability Gap Between Private GANs and Diffusion Models [51.53790101362898]
  GAN(Generative Adversarial Networks)と拡散モデルが高品質な画像合成のための主要なアプローチとして登場している。 差分自己生成モデルが直面するプライバシーリスクの統一的および実証的分析について述べる。
  論文  参考訳（メタデータ） (2025-09-03T14:18:22Z)
• Signal Recovery from Random Dot-Product Graphs Under Local Differential Privacy [0.6906005491572401]
  我々は、$varepsilon$-edgeローカル差分プライバシーの下でグラフから潜伏情報を復元する問題を考察する。 一般化されたランダムドット積グラフのクラスについて、標準的な局所微分プライバシー機構が潜在位置における特定の幾何学的歪みを誘導することを示す。 民営化グラフの統計的推測手順を適切に調整することにより、潜伏位置の一貫した回復が達成可能であることを示す。
  論文  参考訳（メタデータ） (2025-04-24T06:02:02Z)
• Protecting Personalized Trajectory with Differential Privacy under Temporal Correlations [37.88484505367802]
  本稿では,パーソナライズされたトラジェクトリプライバシ保護機構(PTPPM)を提案する。 ヒルベルト曲線に基づく最小距離探索アルゴリズムを用いて,各位置の保護位置集合(PLS)を同定する。 我々は位置摂動のための新しいPermute-and-Flip機構を提案し、データ公開プライバシー保護における初期応用を位置摂動機構にマッピングした。
  論文  参考訳（メタデータ） (2024-01-20T12:59:08Z)
• Initialization Matters: Privacy-Utility Analysis of Overparameterized Neural Networks [72.51255282371805]
  我々は、最悪の近傍データセット上でのモデル分布間のKLばらつきのプライバシー境界を証明した。 このKLプライバシー境界は、トレーニング中にモデルパラメータに対して期待される2乗勾配ノルムによって決定される。
  論文  参考訳（メタデータ） (2023-10-31T16:13:22Z)
• FedLAP-DP: Federated Learning by Sharing Differentially Private Loss Approximations [53.268801169075836]
  我々は,フェデレーション学習のための新しいプライバシ保護手法であるFedLAP-DPを提案する。 公式なプライバシー分析は、FedLAP-DPが典型的な勾配共有方式と同じプライバシーコストを発生させることを示している。 提案手法は, 通常の勾配共有法に比べて高速な収束速度を示す。
  論文  参考訳（メタデータ） (2023-02-02T12:56:46Z)
• Graph-Homomorphic Perturbations for Private Decentralized Learning [64.26238893241322]
  ローカルな見積もりの交換は、プライベートデータに基づくデータの推測を可能にする。 すべてのエージェントで独立して選択された摂動により、パフォーマンスが著しく低下する。 本稿では,特定のヌル空間条件に従って摂動を構成する代替スキームを提案する。
  論文  参考訳（メタデータ） (2020-10-23T10:35:35Z)
• PGLP: Customizable and Rigorous Location Privacy through Policy Graph [68.3736286350014]
  我々はPGLPと呼ばれる新しい位置プライバシーの概念を提案し、カスタマイズ可能で厳格なプライバシー保証を備えたプライベートロケーションをリリースするためのリッチなインターフェースを提供する。 具体的には,ユーザの位置プライバシー要件を,表現的かつカスタマイズ可能なテキスト配置ポリシーグラフを用いて形式化する。 第3に、位置露光の検出、ポリシーグラフの修復、およびカスタマイズ可能な厳格な位置プライバシーを備えたプライベートな軌跡リリースをパイプライン化する、プライベートな位置トレースリリースフレームワークを設計する。
  論文  参考訳（メタデータ） (2020-05-04T04:25:59Z)

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。