論文の概要: Domain Agnostic Text Redaction from Natural Language Rules using Instruction Tuning
- arxiv url: http://arxiv.org/abs/2608.14693v1
- Date: Sun, 09 Aug 2026 14:20:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.033498
- Title: Domain Agnostic Text Redaction from Natural Language Rules using Instruction Tuning
- Title（参考訳）: 命令チューニングを用いた自然言語規則からのドメイン非依存テキストのリアクション
- Abstract要約: 本稿では、ドメインに依存しない自然言語規則を用いた、説明可能な、ドメインに依存しないテキスト・リアクション・ソリューションを提案する。
従来のテキスト・サニタイズとは異なり、この方法は利用者が便利にセンシティブな情報を定義できるようにする。
この解は、高い再構成誤差と高いリアクション精度を示し、自動テキスト衛生に適している。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the increasing digitization of personal and corporate communication, the automatic sanitization of textual data has become a crucial component of data privacy and compliance frameworks. Traditional text sanitization solutions are majorly suitable for obscuring sensitive data with standard structure such as Personal Identifiable Information (PII). These solutions do not provide transparent justification for their redaction, which makes it difficult to audit them. This paper introduces an explainable, domain-agnostic text redaction solution that uses natural language rules of redaction, applied via an instruction-tuned language model, to identify and redact sensitive information in unstructured documents. Unlike traditional text sanitization, this method enables a user to conveniently define any sensitive information; which may be structured (e.g.\ PII) or unstructured (e.g.\ legal terms and conditions) in natural language. A general-purpose LLM generates or augments these natural language rules of redaction from the user's definition, which are then used to instruction-fine-tune a smaller language model that reasons the rules step-by-step over any given document to identify and redact the corresponding sensitive content, while providing transparent justifications for each redaction and highlighting the specific rule that triggered the decision. This explanation is generated in natural language to support human reviewers and auditors in understanding why specific content was redacted. A reconstruction-based metric is used to estimate the probability of recovering redacted information from the sanitized document, quantifying redaction coverage. The solution shows high reconstruction error and high redaction precision, making it suitable for automated text sanitization in critical applications such as legal discovery, medical documentation, and corporate information governance.
- Abstract（参考訳）: 個人と企業のコミュニケーションのデジタル化が進むにつれ、テキストデータの自動衛生化は、データのプライバシとコンプライアンスフレームワークの重要なコンポーネントとなっている。
従来のテキスト衛生ソリューションは主に、個人識別情報(PII)のような標準構造で機密データを隠蔽するのに適している。
これらのソリューションは、それらのリアクションに対する透過的な正当化を提供していないため、それらを監査することは困難である。
本稿では,非構造化文書中の機密情報を識別・再認識するために,命令調整言語モデルを用いて適用された自然言語規則を用いて,説明可能なドメインに依存しないテキストのリアクションソリューションを提案する。
従来のテキストのサニタイズとは違って、自然言語で構造化された(e g \ PII)または非構造化された(e g \ 法的用語と条件)機密情報を便利に定義することができる。
汎用LLMは、これらの自然言語規則をユーザの定義から生成または拡張し、任意の文書に対して規則をステップバイステップで実行し、対応するセンシティブなコンテンツを特定し、修正し、各リアクションに対する透過的な正当化を提供し、決定のきっかけとなった特定のルールをハイライトする、より小さな言語モデルに使用する。
この説明は、人間のレビュアーや監査人を支援するために自然言語で生成され、なぜ特定のコンテンツが修正されたのかを理解する。
復元基準を用いて、衛生化された文書から再活性化された情報を復元する確率を推定し、再作用のカバレッジを定量化する。
このソリューションは、高いリコンストラクションエラーと高いリアクション精度を示し、法的な発見、医療文書、企業情報ガバナンスといった重要なアプリケーションにおいて、自動的なテキスト衛生に適している。
関連論文リスト
- Weave of Formal Thought [51.56484100374058]
WoFT(Weave of Formal Thought)は、厳密な構文的検証と学習された構造的表現を結合したパラダイムである。
本稿では,非終端文法記号を直接生成にインターリーブするために,言語モデルを訓練する潜時可変微調整法を提案する。
Pythonでは、RWS目的のStarCoder2-3Bを微調整することで、テキストのみのSFTベースラインと比較して、トーケン毎のクロスエントロピーが14.3%削減される。
論文 参考訳（メタデータ） (2026-06-24T15:58:11Z) - When Helpful Context Leaks: Privacy Risks in Domain-Adapted ASR [17.93682540686544]
SpeechLLMは、ドメインのカスタマイズが標準的なプラクティスであるプロフェッショナルな設定にますますデプロイされる。
ドメイン固有の用語を認識するために適応されたモデルは、その文脈から音韻的に類似した単語を転写する。
我々は、迅速なレベルの緩和戦略を評価し、カスタマイズアプローチ間の精度低下トレードオフを分析する。
論文 参考訳（メタデータ） (2026-05-27T09:30:36Z) - RedacBench: Can AI Erase Your Secrets? [48.280759014096354]
ドメインと戦略間のポリシー条件付きリアクションを評価するベンチマークであるRedacBenchを紹介します。
RedacBenchは、オリジナルのセマンティクスを保持しながらポリシー違反情報を選択的に除去するモデルの能力を測定する。
我々は8,053の注釈付き命題を用いて、各テキスト中のすべての推測可能な情報をキャプチャする性能を定量化する。
論文 参考訳（メタデータ） (2026-03-02T06:29:49Z) - Consistency-Aware Editing for Entity-level Unlearning in Language Models [53.522931419965424]
本稿では,エンティティレベルのアンラーニングのための新しい一貫性対応編集(CAE)フレームワークを提案する。
CAEは、その属性、関係、および敵のパラフレーズを含む、ターゲットエンティティに関連する多様なプロンプトの集合を集約する。
次に、一貫性レギュレータによってガイドされる低ランクの更新を共同で学習し、プロンプトをまたいだ編集方向を調整する。
論文 参考訳（メタデータ） (2025-12-19T15:18:07Z) - ACT: Agentic Classification Tree [33.65390081055222]
本稿では,各分割を自然言語質問として定式化することにより,決定木手法を非構造化入力に拡張するエージェント分類木(ACT)を提案する。
テキストベンチマークの実験では、ACTは透過的で解釈可能な決定パスを生成しながら、プロンプトベースのベースラインと一致またはオーバーしている。
論文 参考訳（メタデータ） (2025-09-30T15:54:08Z) - The Double-edged Sword of LLM-based Data Reconstruction: Understanding and Mitigating Contextual Vulnerability in Word-level Differential Privacy Text Sanitization [53.51921540246166]
我々は,言語大モデル (LLM) がDP対応テキストの文脈的脆弱性を活用可能であることを示す。
LLM再建の二重刃剣効果がプライバシーと実用性に与える影響を実験的に明らかにした。
本稿では,データ再構成を後処理のステップとして使用するための推奨事項を提案する。
論文 参考訳（メタデータ） (2025-08-26T12:22:45Z) - CRAT: A Multi-Agent Framework for Causality-Enhanced Reflective and Retrieval-Augmented Translation with Large Language Models [59.8529196670565]
CRATは、RAGと因果強化自己回帰を利用して翻訳課題に対処する、新しいマルチエージェント翻訳フレームワークである。
以上の結果からCRATは翻訳精度を著しく向上させ,特に文脈に敏感な単語や語彙の出現に寄与することが示唆された。
論文 参考訳（メタデータ） (2024-10-28T14:29:11Z) - Text Sanitization Beyond Specific Domains: Zero-Shot Redaction &
Substitution with Large Language Models [0.0]
本稿では,大規模言語モデルを用いて潜在的に敏感な情報を検出・置換するゼロショットテキスト衛生手法を提案する。
本手法は,テキストコヒーレンスとコンテキスト情報を維持しながら,プライバシ保護に優れることを示す。
論文 参考訳（メタデータ） (2023-11-16T18:42:37Z) - nl2spec: Interactively Translating Unstructured Natural Language to
Temporal Logics with Large Language Models [3.1143846686797314]
大規模言語モデル(LLM)を適用するためのフレームワークであるnl2specは、構造化されていない自然言語から正式な仕様を導出する。
本稿では,自然言語におけるシステム要求のあいまいさを検知し,解決する新たな手法を提案する。
ユーザは、これらのサブ翻訳を反復的に追加、削除、編集して、不正なフォーマル化を修正する。
論文 参考訳（メタデータ） (2023-03-08T20:08:53Z) - Automatic Extraction of Rules Governing Morphological Agreement [103.78033184221373]
原文から第一パス文法仕様を抽出する自動フレームワークを開発する。
我々は、世界の多くの言語の文法の中核にあるモルフォシンタクティックな現象である合意を記述する規則の抽出に焦点をあてる。
我々のフレームワークはUniversal Dependenciesプロジェクトに含まれるすべての言語に適用され、有望な結果が得られます。
論文 参考訳（メタデータ） (2020-10-02T18:31:45Z)
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。