Fugu-MT 論文翻訳(概要): GuidaPA: Privacy-Preserving Chatbot for Public Administration via Federated Learning

論文の概要: GuidaPA: Privacy-Preserving Chatbot for Public Administration via Federated Learning

arxiv url: http://arxiv.org/abs/2606.01386v1
Date: Sun, 31 May 2026 18:20:25 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:29.678093
Title: GuidaPA: Privacy-Preserving Chatbot for Public Administration via Federated Learning
Title（参考訳）: GuidaPA: フェデレートラーニングによる公共行政のためのプライバシー保護型チャットボット
Authors: Daniel M. Jimenez-Gutierrez, Albenzio Cirillo, Raffaele Nicolussi, Alessio Beltrame, Andrea Vitaletti,
Abstract要約: GuidaPAは、ロールベースのアクセス制御、セキュアなクライアントサイド前処理、非IID効果の明示的なモニタリング、および大規模言語モデルのパラメータ効率の高いフェデレートされた微調整を統合している。最良のフェデレーションモデルは、61.55.77/59.44のROUGE-1/2/L、45.02のBLEU-4、63.94のMETEORのプライベートな微調整を実現し、データをその場で保存する。
参考スコア（独自算出の注目度）: 0.9406096867000618
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present GuidaPA, a privacy-preserving chatbot for the Italian Public Administration (PA) trained via Federated Learning (FL) on documentation from two national PA platforms, SIGESON and SIDFORS. Our corpus includes approximately 8 pages of SIGESON manuals and 31 pages of SIDFORS manuals/FAQs; while this study uses public documentation as a safe proxy, the intended deployment extends to restricted internal sources (e.g., tickets, officer manuals, database extracts) that can not be centrally pooled due to regulatory and organizational constraints. GuidaPA integrates role-based access control, secure client-side preprocessing, explicit monitoring of non-IID effects, and parameter-efficient federated fine-tuning of large language models. Using QLoRA (4-bit) over 15 federated rounds with an 80/20 train-test split per client, we evaluate answer quality with ROUGE, BLEU-4, and METEOR. The best federated model achieves ROUGE-1/2/L of 61.10/55.77/59.44, BLEU-4 of 45.02, and METEOR of 63.94-close to private centralized fine-tuning while keeping data on-site. Compared to the general-purpose baseline, domain fine-tuning improves ROUGE-1 from 41.45 to 62.18 and BLEU-4 from 26.97 to 50.90. Overall, the results indicate that FL can deliver high-quality conversational AI for public services without centralized data sharing
Abstract（参考訳）: 本稿では,2つのPAプラットフォームであるSIGESONとSIDFORSのドキュメンテーションについて,Federated Learning(FL)を通じてトレーニングしたイタリア公共行政(PA)のためのプライバシー保護チャットボットであるGuidaPAを紹介する。このコーパスには,SIGESONマニュアルの約8ページとSIDFORSマニュアル/FAQの31ページが含まれています。 GuidaPAは、ロールベースのアクセス制御、セキュアなクライアントサイド前処理、非IID効果の明示的なモニタリング、および大規模言語モデルのパラメータ効率の高いフェデレートされた微調整を統合している。 QLoRA (4-bit) を用いて, ROUGE, BLEU-4, METEORを用いて, 応答品質の評価を行った。最良のフェデレーションモデルは、61.10/55.77/59.44のROUGE-1/2/L、45.02のBLEU-4、63.94のMETEORのプライベートな微調整を実現し、データをその場で保存する。汎用ベースラインと比較して、ドメインファインチューニングはROUGE-1を41.45から62.18に改善し、BLEU-4を26.97から50.90に改善した。全体として、FLは、集中的なデータ共有なしに、公共サービスに高品質な会話AIを提供することができることを示唆している。

関連論文リスト

FedAttr: Towards Privacy-preserving Client-Level Attribution in Federated LLM Fine-tuning [58.80511162314259]
我々はフェデレート学習のための新しいクライアントレベルの属性プロトコルであるFedAttrを提案する。 FedAttrは、ペア化されたサブセット差分メカニズムを通じて、ウォーターマークされたデータでトレーニングされたクライアントを特定する。 100%のTPRと0%のFPRを達成し、TPRでは少なくとも44.4%、FPRでは19.1%を上回り、FLトレーニング時間に比べて6.3%のオーバーヘッドしか残っていない。
論文参考訳（メタデータ） (2026-05-07T17:21:02Z)
Structured Distillation of Web Agent Capabilities Enables Generalization [33.41723014134473]
本稿では,人的アノテーションの役割に類似してWebエージェントの合成軌道生成を構築するフレームワークであるAgent-as-Annotatorsを紹介する。 Gemini 3 Proを教師として使用し、6つのWeb環境に3000のトラジェクトリを生成します。結果、WebArenaでは41.5%が達成され、Claude 3.5 Sonnet (36.0%) や GPT-4o (31.5%) といったクローズドソースモデルを上回る結果となった。
論文参考訳（メタデータ） (2026-04-09T04:04:15Z)
Efficient Point Cloud Processing with High-Dimensional Positional Encoding and Non-Local MLPs [68.55902504866422]
ポイントクラウド処理におけるモジュラー特徴抽出のための2段階の抽象化・改善(ABSREF)ビューを開発する。位置情報を明示的に活用するためのHPE(High-stage Positional)モジュールを提案する。 ABSREFの視点では、関係における局所的な集約を再考し、時間を要する局所的な操作を置き換えることを提案する。
論文参考訳（メタデータ） (2026-03-04T14:12:13Z)
AI Transparency Atlas: Framework, Scoring, and Real-Time Model Card Evaluation Pipeline [2.1787849426740364]
我々は5つのフロンティアモデル(Gemini 3, Grok 4.1, Llama 4, GPT-5, Claude 4.5)と100台のHugging Faceモデルカードからドキュメントを分析した。安全クリティカルな開示を優先する8つのセクションと23のサブセクションからなる重み付き透明性フレームワークを開発した。
論文参考訳（メタデータ） (2025-12-13T19:48:44Z)
FedDAPL: Toward Client-Private Generalization in Federated Learning [14.449504643780834]
フェデレーテッド・ラーニング(FL)は、各研究センターまたはクリニックでモデルをローカルに訓練し、モデル更新のみを集約する。ハードウェアや取得プロトコルの非生物学的なバリエーションは、外部のサイトでモデルが失敗する可能性がある。本稿では,FLプロセス内にDANN(Domain-Adversarial Neural Network)を組み込むことで,これらの課題に対処する。
論文参考訳（メタデータ） (2025-09-28T07:01:14Z)
SOPBench: Evaluating Language Agents at Following Standard Operating Procedures and Constraints [59.645885492637845]
SOPBenchは、各サービス固有のSOPコードプログラムを実行可能な関数の有向グラフに変換する評価パイプラインである。提案手法では,各サービス固有のSOPコードプログラムを実行可能関数の有向グラフに変換し,自然言語SOP記述に基づいてこれらの関数を呼び出しなければならない。我々は18の先行モデルを評価し、上位モデルでさえタスクが困難であることを示す。
論文参考訳（メタデータ） (2025-03-11T17:53:02Z)
Decentralized Gossip Mutual Learning (GML) for automatic head and neck tumor segmentation [0.7402598986326535]
フェデレートラーニング(FL)は、データ共有を必要とせずに、異なる医療センターから複雑な機械学習モデルを協調的にトレーニングするための有望な戦略として登場した。我々は,Gossipプロトコルをピアツーピア通信に直接適用した分散協調学習フレームワークであるGossip Mutual Learning (GML)を提案する。 GMLはDice similarity Coefficient (DSC) を3.2%, 4.6%, 10.4%改善できることを示した。
論文参考訳（メタデータ） (2024-01-11T01:04:30Z)
FedDBL: Communication and Data Efficient Federated Deep-Broad Learning for Histopathological Tissue Classification [65.7405397206767]
本稿では,FedDBL(Federated Deep-Broad Learning)を提案する。 FedDBLは1ラウンドの通信と限られたトレーニングサンプルで競合相手をはるかに上回り、マルチラウンドの通信で同等のパフォーマンスを達成している。異なるクライアント間でのデータやディープモデルを共有しないため、プライバシ問題は十分に解決されており、モデルのセキュリティはモデル反転攻撃のリスクなしに保証される。
論文参考訳（メタデータ） (2023-02-24T14:27:41Z)
FedNLP: A Research Platform for Federated Learning in Natural Language Processing [55.01246123092445]
NLPのフェデレーションラーニングのための研究プラットフォームであるFedNLPを紹介します。 FedNLPは、テキスト分類、シーケンスタグ付け、質問応答、Seq2seq生成、言語モデリングなど、NLPで一般的なタスクの定式化をサポートしている。 FedNLPによる予備実験では、分散型データセットと集中型データセットの学習には大きなパフォーマンスギャップが存在することが明らかになった。
論文参考訳（メタデータ） (2021-04-18T11:04:49Z)
PFA: Privacy-preserving Federated Adaptation for Effective Model Personalization [6.66389628571674]
フェデレートラーニング(FL)は、プライバシを改善した分散機械学習パラダイムとして普及している。本稿では,より優れたパーソナライズ結果を得るために,訓練されたモデルをフェデレーション方式で適応させることを目的とした,フェデレーション適応と呼ばれる新しい概念を提案する。 PFA(Privacy-preserving Federated Adaptation)を実現するフレームワークを提案する。
論文参考訳（メタデータ） (2021-03-02T08:07:34Z)
WAFFLe: Weight Anonymized Factorization for Federated Learning [88.44939168851721]
データが機密性やプライベート性を持つドメインでは、ローカルデバイスを離れることなく、分散的に学習できるメソッドには大きな価値があります。本稿では,フェデレートラーニングのためのウェイト匿名化因子化(WAFFLe)を提案する。これは,インド・バフェット・プロセスとニューラルネットワークの重み要因の共有辞書を組み合わせたアプローチである。
論文参考訳（メタデータ） (2020-08-13T04:26:31Z)

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。