論文の概要: Model Card for OpenAI Privacy Filter

• arxiv url: http://arxiv.org/abs/2608.18274v1
• Date: Tue, 18 Aug 2026 19:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.199602
• Title: Model Card for OpenAI Privacy Filter
• Title（参考訳）: OpenAIプライバシーフィルタのためのモデルカード
• Abstract要約: OpenAI Privacy Filterは、個人識別可能な情報(PII)と秘密を非構造化テキストで検出し、再現するためのトークン分類モデルである。 プライバシーフィルタには15億の合計パラメータ、トークン当たり5000万のアクティブパラメータ、12万8000のコンテキストウィンドウがある。
• 参考スコア（独自算出の注目度）: 17.94374932752054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: OpenAI Privacy Filter is a compact, bidirectional token-classification model for detecting and redacting personally identifiable information (PII) and secrets in unstructured text. The model is derived from an autoregressively pretrained checkpoint and converted into a bidirectional, banded-attention classifier that labels an input sequence in a single forward pass. A constrained Viterbi decoder produces coherent spans across eight privacy categories and exposes configurable operating points for precision-recall tradeoffs. Privacy Filter has 1.5 billion total parameters, 50 million active parameters per token, and a 128,000-token context window. It is designed for efficient local deployment and domain-specific fine-tuning. Privacy Filter is intended as a configurable data-minimization component within layered privacy workflows, not as an anonymization or compliance guarantee.
• Abstract（参考訳）: OpenAI Privacy Filterは、個人識別可能な情報(PII)と秘密を非構造化テキストで検出し、再現するための、コンパクトで双方向のトークン分類モデルである。 このモデルは、自己回帰的に事前訓練されたチェックポイントから派生し、入力シーケンスを単一のフォワードパスにラベル付けした双方向のバンド付きアテンション分類器に変換される。 制約付きViterbiデコーダは、8つのプライバシカテゴリにまたがるコヒーレントスパンを生成し、精密リコールトレードオフのための設定可能なオペレーティングポイントを公開する。 プライバシーフィルタには15億の合計パラメータ、トークン当たり5000万のアクティブパラメータ、12万8000のコンテキストウィンドウがある。 効率的なローカルデプロイメントとドメイン固有の微調整のために設計されている。 プライバシフィルタは、匿名化やコンプライアンス保証ではなく、階層化されたプライバシワークフロー内で構成可能なデータ最小化コンポーネントとして意図されている。

関連論文リスト

• Privacy-Preserving Robustness Verification for Neural Networks [8.136747065885006]
  プライバシ保護ニューラルネットワーク検証のための最初のフレームワークであるSecureCROWNを紹介する。 我々のフレームワークは、モデル所有者とデータ所有者が、認証された堅牢性境界を共同で計算することを可能にする。 SecureCROWNは検証結果と厳密に一致し, 異なるモデルサイズで0.1-200sで完了した。
  論文  参考訳（メタデータ） (2026-07-06T15:59:17Z)
• Only Whats Necessary: Pareto Optimal Data Minimization for Privacy Preserving Video Anomaly Detection [28.081614331006477]
  ビデオ異常検出(VAD)システムは、ますます重要な安全環境にデプロイされ、正確な検出のために大量のデータを必要とする。 しかし、データは個人識別可能な情報(PII)を含み、顔の手がかりや繊細な人口統計特性を含む。 What's Necessaryだけが、VADのためのプライバシ・バイ・デザインのフレームワークであり、検出パイプラインに露出する視覚情報量とタイプを明示的に制御する。
  論文  参考訳（メタデータ） (2026-03-27T12:26:56Z)
• STAMP: Selective Task-Aware Mechanism for Text Privacy [5.453215632053115]
  STAMPはタスク対応のテキスト民営化のための新しいフレームワークで、プライバシーとユーティリティのトレードオフを改善している。 単位球面への埋め込み方向のみを摂動する極性機構を導入し,その大きさを保存した。 SQuAD、Yelp、AG Newsのデータセットに対する実験的評価は、STAMPが正常化された極性メカニズムと組み合わせることで、優れたプライバシユーティリティトレードオフが一貫して達成されることを示している。
  論文  参考訳（メタデータ） (2026-03-12T17:55:07Z)
• NeuroFilter: Privacy Guardrails for Conversational LLM Agents [50.75206727081996]
  本研究は,エージェント型大規模言語モデル(LLM)のプライバシを強制する際の計算上の課題に対処する。 NeuroFilterは、標準違反をモデルのアクティベーション空間における単純な方向にマッピングすることで、コンテキスト整合性を運用するガードレールフレームワークである。 7Bから70Bパラメータのモデルをカバーする15万以上のインタラクションに対する包括的な評価は、NeuroFilterの強力なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-01-21T05:16:50Z)
• PAC-Private Responses with Adversarial Composition [11.108854725676006]
  PACプライバシは、任意のブラックボックス機能に対して、インスタンスベースのプライバシ保証を提供する。 適応雑音校正による逆合成を実現する新しいアルゴリズムを提案する。 実験により, ステップごとのプライバシー予算が極端に小さく, 有効性が高いことがわかった。
  論文  参考訳（メタデータ） (2026-01-20T14:53:39Z)
• High-Dimensional Asymptotics of Differentially Private PCA [4.168157981135696]
  差分プライバシーでは、機密データセットの統計はランダムノイズを導入することで民営化される。 このような高い騒音レベルが本当に必要か、あるいは証明技術に限界があるのかは、まだ不明である。 本稿では,ターゲットのプライバシレベルを達成するために必要な最小のノイズレベルを識別する,シャープなプライバシ特性を得ることができるかを検討する。
  論文  参考訳（メタデータ） (2025-11-10T16:17:16Z)
• Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
  連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。 本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
  論文  参考訳（メタデータ） (2025-09-10T15:22:40Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• Collaborative Inference over Wireless Channels with Feature Differential Privacy [57.68286389879283]
  複数の無線エッジデバイス間の協調推論は、人工知能(AI)アプリケーションを大幅に強化する可能性がある。 抽出された特徴を抽出することは、プロセス中に機密性の高い個人情報が暴露されるため、重大なプライバシーリスクをもたらす。 本稿では,ネットワーク内の各エッジデバイスが抽出された機能のプライバシを保護し,それらを中央サーバに送信して推論を行う,新たなプライバシ保存協調推論機構を提案する。
  論文  参考訳（メタデータ） (2024-10-25T18:11:02Z)
• A Randomized Approach for Tight Privacy Accounting [63.67296945525791]
  推定検証リリース(EVR)と呼ばれる新しい差分プライバシーパラダイムを提案する。 EVRパラダイムは、まずメカニズムのプライバシパラメータを推定し、その保証を満たすかどうかを確認し、最後にクエリ出力を解放する。 我々の実証的な評価は、新たに提案されたEVRパラダイムが、プライバシ保護機械学習のユーティリティプライバシトレードオフを改善することを示している。
  論文  参考訳（メタデータ） (2023-04-17T00:38:01Z)
• Just Fine-tune Twice: Selective Differential Privacy for Large Language Models [69.66654761324702]
  本稿では,大規模なトランスフォーマーベース言語モデルのためのSDPを実現するための,シンプルで効果的なジャストファイントゥンツースプライバシ機構を提案する。 実験により, カナリア挿入攻撃に対して頑健でありながら, 高い性能が得られた。
  論文  参考訳（メタデータ） (2022-04-15T22:36:55Z)

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。