論文の概要: CounterPersona: Append-Only Defense Against Unauthorized Persona Skill Distillation

• arxiv url: http://arxiv.org/abs/2609.15097v1
• Date: Mon, 14 Sep 2026 06:19:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.116947
• Title: CounterPersona: Append-Only Defense Against Unauthorized Persona Skill Distillation
• Title（参考訳）: CounterPersona: 認可されていないペルソナのスキル蒸留に対するアペンドオンリーの防御
• Abstract要約: ペルソナスキル蒸留は、個人情報から繰り返しパターンを抽出し、再利用可能なスキルにエンコードする。 このような複製は、個人のプライバシーと労働の自律性に関する深刻な懸念を引き起こす。 ここでは、互換性のある動作状態をコンパクトな実現単位にパックするCounterPersonaを紹介する。
• 参考スコア（独自算出の注目度）: 27.40876028810892
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Persona skill distillation can extract recurring patterns from personal information and encode them into reusable skills, enabling AI systems to closely replicate an individual's behavior. However, such replication also raises serious concerns regarding personal privacy and labor autonomy. Unlike existing perturbation-based defenses that require individuals to modify their data before collection, once historical records are collected by an attacker, they can no longer be altered, sanitized, or revoked. Therefore, such defenses are difficult to adapt to this append-only setting. To solve this challenge, we introduce CounterPersona, which constructs targeted counter-persona evidence, packs compatible behavioral states into compact realization units, and strengthens them through rationale-guided consistency rewriting. We conduct extensive experiments showing that CounterPersona achieves strong and consistent effectiveness across lexical, semantic, and LLM-based measures, while remaining robust across distillers. Our work establishes a skill anti-distillation paradigm for protecting personal privacy and labor autonomy against unauthorized skill distillation.
• Abstract（参考訳）: ペルソナスキル蒸留は、個人情報から繰り返しパターンを抽出し、再利用可能なスキルにエンコードすることで、AIシステムが個人の行動を密に再現することができる。 しかし、このような複製は、個人のプライバシーと労働の自律性に関する深刻な懸念も引き起こす。 個人が収集前にデータを修正しなければならない既存の摂動ベースの防御とは異なり、歴史的記録が攻撃者によって収集されると、変更、衛生化、取り消しはもはやできない。 したがって、このような防御は、この追加のみの設定に適応することが困難である。 この課題を解決するために、ターゲットとなる対人的証拠を構築し、互換性のある動作状態をコンパクトな実現単位に詰め込み、合理化誘導整合性書き換えによってそれらを強化するCounterPersonaを導入する。 我々は,レキシカル,セマンティクス,LLMに基づく測定において,コンカウンタペルソナが強い,一貫した有効性を達成する一方で,蒸留器全体でも頑健であることを示す広範な実験を行った。 我々の研究は、個人のプライバシーと労働の自律性を、無許可のスキル蒸留から保護するためのスキルアンチ蒸留パラダイムを確立している。

関連論文リスト

• Adversarial Attacks for Good: A Survey of Proactive Protection across the Visual Content Lifecycle [65.6642776933861]
  この介入点付近で成長した保護パラダイムについて検討する。 ほとんどの保護は、主に静的あるいは弱い適応的な敵に対して検証されている。 我々は、堅牢で構成可能で、デプロイ可能な所有者側の保護のために、クロスステージ対策とオープンな問題を統合することで、閉鎖する。
  論文  参考訳（メタデータ） (2026-08-05T00:46:50Z)
• When Agents Learn to Be You: Benchmarking Privacy Leakage, Impersonation Risk, and Defenses in Persona Skills [59.08894810908006]
  AntiSkillBenchはペルソナスキルパイプライン全体のリスクと防御を評価するエンドツーエンドのベンチマークである。 i) 多様なタスクシナリオにまたがる行動に富んだ50のプロファイルから構築された7,500人の個人を対象とする対話トレースのデータセット、(ii) スキルレベルのプライバシリークとエージェントレベルの属性開示と行動不正を計測する評価スイート、(iii) オンラインおよびポストホック介入の4つの構成をカバーする防衛評価を含む。
  論文  参考訳（メタデータ） (2026-08-04T14:04:56Z)
• Asymmetric Invertible Threat: Learning Reversible Privacy Defense for Face Recognition [20.853619083574316]
  顔認識システムは、不正な収集と顔データの誤用によるプライバシー上の懸念を提起する。 プライバシ保護,キー付きリカバリ,タンパー表示をひとつのフレームワークに統合した,パーソナライズされた顔のクローキングの復元対応拡張を提案する。
  論文  参考訳（メタデータ） (2026-05-02T03:18:36Z)
• Dual Optimal: Make Your LLM Peer-like with Dignity [35.58723842086038]
  現在のアライメント言語モデルは、Evasive Servantと呼ばれる二重障害モードを示す。 我々は,抗梅毒と信頼性の両面からサーボネスに対処するDignified Peerフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-01T14:48:44Z)
• Contextualized Privacy Defense for LLM Agents [84.30907378390512]
  LLMエージェントはますますユーザーの個人情報に作用するが、既存のプライバシー保護は設計と適応性の両方において制限されている。 我々は,新たなプライバシ防衛パラダイムであるCDI(Contextualized Defense Instructing)を提案する。 我々のCDIは、ベースラインよりもプライバシー保護(94.2%)と有用性(80.6%)のバランスが良好であることを示します。
  論文  参考訳（メタデータ） (2026-03-03T13:35:33Z)
• Debiased Dual-Invariant Defense for Adversarially Robust Person Re-Identification [52.63017280231648]
  人物再識別(ReID)は、歩行者軌道追跡などの現実の多くの応用において、基本的な課題である。 Person ReIDモデルは、歩行者画像に対する知覚不能な摂動が完全に誤った予測を引き起こすような、敵の攻撃に非常に敏感である。 本稿では,2つの相からなる二重不変防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-13T03:56:40Z)
• Crafter: Facial Feature Crafting against Inversion-based Identity Theft on Deep Models [45.398313126020284]
  典型的なアプリケーションは、異なる個人から収集された顔画像に機械学習サービスを実行することである。 アイデンティティの盗難を防止するため、従来の手法では、その特徴からアイデンティティ情報を隠蔽するために、対戦ゲームベースのアプローチを頼りにしている。 適応モデル攻撃から識別情報を保護するために,エッジに展開する特徴工法であるCrafterを提案する。
  論文  参考訳（メタデータ） (2024-01-14T05:06:42Z)
• Students Parrot Their Teachers: Membership Inference on Model Distillation [54.392069096234074]
  知識蒸留によるプライバシを,教師と学生のトレーニングセットの両方で研究する。 私たちの攻撃は、生徒セットと教師セットが類似している場合、または攻撃者が教師セットを毒できる場合、最強です。
  論文  参考訳（メタデータ） (2023-03-06T19:16:23Z)
• Combining Stochastic Defenses to Resist Gradient Inversion: An Ablation Study [6.766058964358335]
  差分プライバシー(DP)やプライバシモジュール(PM)のような一般的な防御メカニズムは、そのような攻撃を防ぐために計算中にランダム性を導入する。 本稿では,この原理を応用し,共通防御機構をバイパスするターゲットGI攻撃について紹介する。
  論文  参考訳（メタデータ） (2022-08-09T13:23:29Z)
• Defense Against Gradient Leakage Attacks via Learning to Obscure Data [48.67836599050032]
  フェデレートラーニングは、効果的なプライバシー保護学習メカニズムと考えられている。 本稿では,不明瞭なデータに学習することで,クライアントのデータ保護のための新しい防御手法を提案する。
  論文  参考訳（メタデータ） (2022-06-01T21:03:28Z)

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。