論文の概要: No PUN Intended: Plausible Unknown Names for Person-Centred LLM Evaluation

• arxiv url: http://arxiv.org/abs/2608.21206v1
• Date: Fri, 21 Aug 2026 15:20:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.617804
• Title: No PUN Intended: Plausible Unknown Names for Person-Centred LLM Evaluation
• Title（参考訳）: No PUN Intended:Punible Unknown Names for Person-Centred LLM Evaluation
• Abstract要約: 未知の名前を、もっともらしいファーストラスト形式として運用する。 PUN(Plausible Unknown Names)は、これらの名前の構築と検証のためのプロトコルである。 本報告では, 受入率, 退院率, 204人を対象にした研究を報告する。
• 参考スコア（独自算出の注目度）: 2.2940141855172036
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Person names are widely used as prompt variables in LLM evaluations of factuality, privacy leakage, bias and abstention, but when a name's evidential status is uncontrolled, measurements may conflate memorisation, retrieval, name priors and wrong-person attribution. We operationalise an unknown name as one with plausible First-Last form, no indexed full-name evidence, and no ambiguity signals under a documented validation run, and introduce PUN (Plausible Unknown Names), a protocol for constructing and validating such names, combining Wikidata-derived components, web-enabled LLM screening, and controlled search revalidation. We report acceptance rate, reproducibility, ablations, and a 204-participant human study, finding accepted names are more name-like than controls while participants recover person evidence in only 3% of cases. We release 300 names with comparison controls.
• Abstract（参考訳）: 個人名は、事実性、プライバシーの漏洩、偏見、棄権などのLCM評価において、直接的な変数として広く使われているが、名前の明らかなステータスが制御されていない場合には、記憶、検索、名前の優先、誤った人物の属性を説明できる。 文書化バリデーション実行下では、未知の名前を有望なファーストラスト形式、インデックス付きフルネームエビデンス、曖昧な信号のないものとして運用し、Wikidata由来のコンポーネント、Web対応LLMスクリーニング、制御された検索再検証を組み合わせた、それらの名前の構築と検証のためのプロトコルであるPUN(Plausible Unknown Names)を導入する。 受入率,再現性,短縮性,および204名の被験者を対象に,受入名はコントロールよりも名前に近いが,受入者は3%の症例で証拠を回収する。 比較コントロール付きの300の名前をリリースします。

関連論文リスト

• Curate Before You Connect: Identity and Ontology Tagging in a Production Knowledge Graph [0.0]
  本稿では、評価された抽出ストリームを知識グラフに変換する、摂取層とオントロジータグ付け層について述べる。 本稿では、識別子列、名前列、表示名、型スコープ位置から同一性を決定するレコード識別はしごについて述べる。 グラフの適合性負債を定量化し, 未定義の一次クラスを補う二次分類を示し, 775人の決定に対して48,403人の提案を保留するキュレーションキューを記述した。
  論文  参考訳（メタデータ） (2026-08-11T08:30:37Z)
• Understanding before Naming! Enhancing LLM-based Method Name Prediction with Code Summarization [19.50157537060179]
  メソッド名は、コードの理解性、保守性、開発者のコラボレーションに影響を与える。 コードスニペットからメソッド名を自動的に生成するメソッド名予測が最近注目を集めている。 既存の評価は主にトークンの類似度指標に依存しており、意味的品質の人間の判断を反映しないことが多い。
  論文  参考訳（メタデータ） (2026-07-14T07:51:00Z)
• Human-Centred LLM Privacy Audits: Findings and Frictions [2.379911867541422]
  大規模な言語モデルのためのブラウザベースの自己監査ツールであるLMP2を紹介する。 2つのユーザスタディにおいて、GPT-4oは、60ドルの精度で毎日50のフィーチャのうち11を予測している。 安定な名前条件付きアソシエーションとモデルデフォルトとの明確な分離を観察する。
  論文  参考訳（メタデータ） (2026-03-12T16:01:01Z)
• Large-scale online deanonymization with LLMs [58.46277616551135]
  大規模なデ匿名化を実現するために,大規模言語モデルを用いることができることを示す。 当社のエージェントは、完全なインターネットアクセスによって、Hacker NewsユーザーとHistropic Interviewer参加者を高精度に識別することができる。
  論文  参考訳（メタデータ） (2026-02-18T19:02:50Z)
• Evaluating Contextually Mediated Factual Recall in Multilingual Large Language Models [47.44133672489574]
  大規模言語モデル(LLM)における文脈依存的事実リコールについて検討する。 文脈的調停は事実的想起を常に低下させ、関係性にかなりの変化をもたらす。 これらの知見は、孤立した事実記憶と文脈依存言語理解のギャップを浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-01-18T19:38:55Z)
• Can Large Language Models Really Recognize Your Name? [23.4365383606717]
  現代大規模言語モデル(LLM)は、曖昧な文脈のため、短いテキストスニペットでも定期的に人名を見落としている。 AMBENCHは、明らかに不明瞭な人物名のベンチマークデータセットである。
  論文  参考訳（メタデータ） (2025-05-20T16:05:05Z)
• Lara: Lightweight Anonymous Authentication with Asynchronous Revocation Auditability [0.0]
  LaraはAsynchronous Revocation Auditabilityを備えた軽量匿名認証である。 当事者は現在のタイムスロットに同意する必要はなく、クロックスキューの影響を受けない。 ララは効率的な公開鍵プリミティブと空間効率のデータ構造を使って実装できる。
  論文  参考訳（メタデータ） (2025-05-19T11:03:09Z)
• Multicultural Name Recognition For Previously Unseen Names [65.268245109828]
  本論文は、人名の認識を改善することを目的としており、それは、誰かが生まれたり、名前を変えたりする際にも、成長できる多様なカテゴリーである。 私は103か国の名前を見て、モデルが異なる文化の名前でどれだけうまく機能するかを比較します。 文字入力と単語入力を組み合わせたモデルの方が単語のみのモデルより優れており,従来のNERモデルと比較して精度が向上する可能性がある。
  論文  参考訳（メタデータ） (2024-01-23T17:58:38Z)
• Appeal: Allow Mislabeled Samples the Chance to be Rectified in Partial Label Learning [55.4510979153023]
  部分ラベル学習(PLL)では、各インスタンスは候補ラベルのセットに関連付けられ、そのうち1つだけが接地真実である。 誤記されたサンプルの「アペアル」を支援するため,最初の魅力に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-18T09:09:52Z)
• Disambiguation of Company names via Deep Recurrent Networks [101.90357454833845]
  企業名文字列の埋め込みである教師付き学習を通じて,Siamese LSTM Network を抽出する手法を提案する。 私たちは、ラベル付けされるサンプルを優先するActive Learningアプローチが、より効率的な全体的な学習パイプラインをもたらす方法を分析します。
  論文  参考訳（メタデータ） (2023-03-07T15:07:57Z)
• Unsupervised Text Deidentification [101.2219634341714]
  個人識別情報を漏洩する単語を隠蔽する教師なしの識別手法を提案する。 K匿名性に基づくプライバシによって動機づけられた私たちは、最小の再識別ランクを保証するリアクションを生成します。
  論文  参考訳（メタデータ） (2022-10-20T18:54:39Z)

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。