論文の概要: A Human-LLM Teaming Framework for Privacy Risk Analysis: An Illustration with CBDC-Based Welfare Schemes

• arxiv url: http://arxiv.org/abs/2608.16461v1
• Date: Mon, 17 Aug 2026 11:59:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.671358
• Title: A Human-LLM Teaming Framework for Privacy Risk Analysis: An Illustration with CBDC-Based Welfare Schemes
• Title（参考訳）: プライバシリスク分析のためのヒューマンLLMコラボレーションフレームワーク:CBDCに基づく福祉スキームを用いた図解
• Authors: Sourya Joyee De, Abdessamad Imine,
• Abstract要約: PRIAMと呼ばれるシステム的プライバシリスク分析手法のための,最初の人間-LLMコラボレーションフレームワークを提案する。 CBDCを用いた福祉制度利用事例を用いて,PRIAMのデータキャラクタリゼーション活動の枠組みについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Central Bank Digital Currency (CBDC)-based welfare schemes may be potentially privacy invasive as they process significant volumes of beneficiary personal data and lead to privacy harms such as surveillance, discrimination and stigmatization. Such welfare delivery schemes involve complex digital ecosystems and large number of stakeholders. Consequently, to examine their privacy risks, privacy risk assessments require extensive information gathering and synthesis, complex reasoning, scenario explorations, contextual evaluation and human judgement. Thus, they present ideal scenarios for human-LLM teaming, where effective integration of complementary human and LLM capabilities can yield an outcome far superior to either human-only or LLM-only assessments. In this paper, we propose a first human-LLM teaming framework for the systematic privacy risk analysis methodology called PRIAM. The framework specifies an iterative collaborative process in which the LLM processes large-scale documentary evidence to produce initial outputs, which are then interpreted and evaluated by human experts who direct their further refinement by the LLM and exercise their judgement to finalize the output. We illustrate the framework on the data characterization activity of PRIAM using a CBDC-based welfare scheme use case. The illustration demonstrates that while LLMs generate the initial data categories and assign initial values to data attributes, human experts evaluate and provide feedback to refine them, distinguishing documented evidence from inferences, identifying information gaps, and flagging unsupported or ambiguous outputs. This framework serves as a foundational contribution towards human-AI teaming for privacy risk assessments.
• Abstract（参考訳）: 中央銀行デジタル通貨(CBDC)に基づく福祉制度は、膨大な量の受益者個人データを処理し、監視、差別、スティグマライゼーションなどのプライバシー上の害をもたらすため、潜在的にプライバシーを侵害する可能性がある。 このような福祉提供スキームには、複雑なデジタルエコシステムと多くの利害関係者が含まれる。 その結果、プライバシーリスクを調べるために、プライバシーリスク評価には、広範な情報収集と合成、複雑な推論、シナリオ探索、文脈評価、人間による判断が必要である。 このようにして、人間のLLMチームにとって理想的なシナリオとして、補完的な人間とLLM能力の効果的な統合が、人間のみまたはLLMのみの評価よりもはるかに優れた結果をもたらすことができる。 本稿では,PRIAMと呼ばれるシステム的プライバシリスク分析手法のための,初めての人間-LLMコラボレ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、LLMが大規模ドキュメンタリー証拠を処理して初期出力を生成する反復的協調プロセスを定義し、その後、LLMによってさらなる洗練を指示し、その判断を行ない、アウトプットを確定させる人間の専門家によって解釈され評価される。 CBDCを用いた福祉制度利用事例を用いて,PRIAMのデータキャラクタリゼーション活動の枠組みについて述べる。 この図は、LCMが初期データカテゴリを生成し、初期値をデータ属性に割り当てる一方で、人間の専門家が評価し、それらを洗練するためのフィードバックを提供し、文書化された証拠を推論と区別し、情報ギャップを特定し、不明瞭な出力をフラグ付けすることを示した。 このフレームワークは、プライバシリスクアセスメントのためのヒューマンAIチームに対する基礎的な貢献として機能する。

関連論文リスト

• SoK: Privacy Risks and Mitigations in Retrieval-Augmented Generation Systems [53.51921540246166]
  Retrieval-Augmented Generation (RAG)技術は広く普及している。 RAGには、Large Language Models(LLM)とドメイン固有の知識ベースとの結合が含まれる。 RAGの普及は、データのプライバシに関する懸念を引き起こしている。
  論文  参考訳（メタデータ） (2026-01-07T14:50:41Z)
• Auditing M-LLMs for Privacy Risks: A Synthetic Benchmark and Evaluation Framework [7.493288948235459]
  PRISMは、クロスモーダルなプライバシーリスクを評価するために設計された大規模な総合ベンチマークである。 PRISMは、最初のマルチモーダル、多次元、微細な合成データセットである。 PRISM上での6つのM-LLMの推論能力を評価する。
  論文  参考訳（メタデータ） (2025-11-05T07:23:21Z)
• 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)
• PBa-LLM: Privacy- and Bias-aware NLP using Named-Entity Recognition (NER) [45.870212237420226]
  本研究では,Large Language Models(LLMs)のプライバシ保護トレーニングを容易にするために,NER(Named-Entity Recognition)の使用について検討する。 我々は,NER技術を用いて個人識別や地理的位置情報などのテキストデータ中の機密情報を匿名化するフレームワークを提案する。 この研究は2つの言語モデル(BERTとRoBERTa)と6つの匿名化アルゴリズム(Presidio、FLAIR、BERT、および異なるバージョンのGPT)を24,000の候補プロファイルのデータベースに適用した。
  論文  参考訳（メタデータ） (2025-06-30T14:42:49Z)
• Differential Privacy in Machine Learning: From Symbolic AI to LLMs [49.1574468325115]
  差別化プライバシは、プライバシーリスクを軽減するための正式なフレームワークを提供する。 単一のデータポイントの包含や除外がアルゴリズムの出力を著しく変更しないことを保証する。
  論文  参考訳（メタデータ） (2025-06-13T11:30:35Z)
• Urania: Differentially Private Insights into AI Use [102.27238986985698]
  $Urania$は、クラスタリング、パーティション選択、ヒストグラムベースの要約といったDPツールを活用することによって、エンドツーエンドのプライバシ保護を提供する。 結果は、厳密なユーザのプライバシを維持しながら、意味のある会話の洞察を抽出するフレームワークの能力を示している。
  論文  参考訳（メタデータ） (2025-06-05T07:00:31Z)
• 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)
• Data Collaboration Analysis with Orthonormal Basis Selection and Alignment [2.928964540437144]
  Data Collaboration (DC)は、複数のパーティがプライベートデータセットを公開することなく、モデルを共同でトレーニングすることを可能にする。 既存の理論は、秘密の基地と同じ部分空間にまたがる任意の標的基底は十分であると主張する。 我々は、秘密ベースとターゲットベースの両方で正規性制約を明示的に強制する新しいDCフレームワークであるOrthonormal Data Collaboration(ODC)を紹介する。
  論文  参考訳（メタデータ） (2024-03-05T08:52:16Z)
• Scalable Multi-Agent Reinforcement Learning for Residential Load Scheduling under Data Governance [5.37556626581816]
  マルチエージェント強化学習 (MARL) は, 協調型住宅負荷スケジューリング問題において, 顕著な進歩を遂げている。 MARLの最も一般的なパラダイムである集中型トレーニングは、通信制約のあるクラウドエッジ環境における大規模デプロイメントを制限する。 提案手法は,家庭の局所的な観察のみに基づく個人評論家の学習機能である,アクタ批判的手法に基づく。
  論文  参考訳（メタデータ） (2021-10-06T14:05:26Z)

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。