論文の概要: Ask Without Telling: Local SLMs Consult Cloud LLMs Without Revealing Task Intent

• arxiv url: http://arxiv.org/abs/2609.32642v1
• Date: Sat, 26 Sep 2026 14:04:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:42:58.411257
• Title: Ask Without Telling: Local SLMs Consult Cloud LLMs Without Revealing Task Intent
• Title（参考訳）: Ask Without Telling: ローカル SLM はタスクインテントを公開せずにクラウド LLM をコンサルトする
• Abstract要約: 既存のプライバシ保護SLM-LLMフレームワークは、タスクセマンティクスを保持しながら機密性の高い値を隠している。 最近のdecoyベースのメソッドでは、代替手段間の真の要求を隠すことで、タスク意図をさらに曖昧にしている。 回復可能な数学的再構成によってタスク自体を変換するエンドツーエンドフレームワークであるPriConを提案する。
• 参考スコア（独自算出の注目度）: 31.752080880725483
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As local small language models (SLMs) increasingly collaborate with more capable cloud large language models (LLMs), a natural privacy question arises: Can a local SLM obtain cloud LLM guidance while protecting user privacy? Existing privacy-preserving SLM-LLM frameworks primarily hide sensitive values while preserving task semantics, which can still expose what the user is trying to accomplish. For example, allocating scarce medical supplies across hospitals may signal an emerging public-health emergency, while rebalancing an investment portfolio may reveal a private investment strategy, even when names and numerical values are hidden. Recent decoy-based methods further obscure task intent by hiding the real request among alternatives, but stronger protection relies on more decoys or semantic abstraction, increasing overhead or risking utility loss. More fundamentally, existing work does not systematically characterize the components of private task intent or how each should be protected. We therefore introduce task-private consultation, which characterizes task intent through two components: task context and task operation. To the best of our knowledge, this is the first systematic study of these components and their individual and joint protection in local-cloud SLM-LLM consultation. To realize this setting, we propose PriCon, an end-to-end framework that transforms the task itself through recoverable mathematical reformulation rather than hiding it among alternatives. A local closed-loop refinement mechanism further maintains privacy and recoverability throughout consultation. Experiments on 100 tasks show that PriCon reduces cloud-side task-intent inference Hit@1 to nearly 0%, versus 93-99% under sensitive-value removal and 3-30% under decoy-based protection, while preserving cloud-assisted utility.
• Abstract（参考訳）: ローカルの小さな言語モデル(SLM)が、より有能なクラウド大言語モデル(LLM)とのコラボレーションが増えている中、自然なプライバシの問題が発生している。 既存のプライバシを保存するSLM-LLMフレームワークは、主に機密性の高い値を隠し、タスクセマンティクスを保存する。 例えば、病院全体の医療物資の不足は、新興の公衆衛生上の緊急事態を示唆し、投資ポートフォリオの再バランスは、名前や数値が隠されている場合でも、民間投資戦略を明らかにする可能性がある。 最近のdecoyベースのメソッドでは、他の方法の間で実際の要求を隠すことでタスク意図を曖昧にしているが、より強力な保護は、decoyやセマンティックな抽象化、オーバーヘッドの増加、ユーティリティ損失のリスクなどに依存する。 より根本的には、既存の作業は、プライベートタスク意図のコンポーネントや、それぞれをどのように保護すべきかを体系的に特徴づけるものではない。 そこで我々は,タスクコンテキストとタスク操作という2つのコンポーネントを通じてタスク意図を特徴付けるタスクプライベートコンサルテーションを導入する。 我々の知る限りでは、ローカルクラウドSLM-LLMコンサルティングにおけるこれらのコンポーネントとその個人および共同保護に関する最初の体系的研究である。 この設定を実現するためにPriConを提案する。PriConは、タスク自体を代替品として隠蔽するのではなく、復元可能な数学的再構成によって変換するエンドツーエンドフレームワークである。 ローカルクローズドループリファインメント機構は、コンサルテーションを通して、プライバシーとリカバリ性をさらに維持する。 100タスクの実験によると、PriConはクラウドサイドのタスクインテント推論Hit@1を0%近く削減し、機密値削除では93～99%、デコイベースの保護では3～30%削減し、クラウドアシストユーティリティを保護している。

関連論文リスト

• 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)
• The Sum Leaks More Than Its Parts: Compositional Privacy Risks and Mitigations in Multi-Agent Collaboration [72.33801123508145]
  大規模言語モデル(LLM)はマルチエージェントシステムに不可欠なものである。 プライバシーリスクは、暗記、直接推論、シングルターン評価を超えて現れる。 特に、相互作用によって構成される一見無害な反応は、敵が機密情報の回復を累積的に行うことができる。
  論文  参考訳（メタデータ） (2025-09-16T16:57:25Z)
• GAMA: A General Anonymizing Multi-Agent System for Privacy Preservation Enhanced by Domain Rules and Disproof Mechanism [14.491054279033968]
  GAMA(General Anonymizing Multi-Agent System) GAMAはエージェントのワークスペースをプライベートとパブリックに分割し、構造化された匿名化機構を通じてプライバシーを確保する。 GAMAを2つの一般的な質問応答データセット、公開プライバシーリークベンチマーク、およびプライバシに関連する2つのカスタマイズされた質問応答データセットで評価する。
  論文  参考訳（メタデータ） (2025-09-12T07:22:49Z)
• 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)
• MAGPIE: A dataset for Multi-AGent contextual PrIvacy Evaluation [54.410825977390274]
  LLMエージェントのコンテキストプライバシを評価するための既存のベンチマークは、主にシングルターン、低複雑さタスクを評価する。 まず、15ドメインにわたる158のリアルタイムハイテイクシナリオからなるベンチマーク-MAGPIEを示す。 次に、コンテキスト的にプライベートなデータに対する理解と、ユーザのプライバシを侵害することなくコラボレーションする能力に基づいて、最先端のLCMを評価します。
  論文  参考訳（メタデータ） (2025-06-25T18:04:25Z)
• No Free Lunch Theorem for Privacy-Preserving LLM Inference [30.554456047738295]
  本研究では,プライバシ保護型大規模言語モデル(LLM)を推定するためのフレームワークを開発する。 プライバシー保護とユーティリティの相互作用を調べるための、しっかりとした理論的基盤を築いている。
  論文  参考訳（メタデータ） (2024-05-31T08:22:53Z)
• Can LLMs Keep a Secret? Testing Privacy Implications of Language Models via Contextual Integrity Theory [82.7042006247124]
  私たちは、最も有能なAIモデルでさえ、人間がそれぞれ39%と57%の確率で、プライベートな情報を公開していることを示しています。 我々の研究は、推論と心の理論に基づいて、新しい推論時プライバシー保護アプローチを即時に探求する必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2023-10-27T04:15:30Z)
• Hide and Seek (HaS): A Lightweight Framework for Prompt Privacy Protection [6.201275002179716]
  本稿では,H(ide)" と "S(eek)" の2つのコアプロセスとして,匿名化のためのプライベートエンティティの隠蔽と非匿名化のためのプライベートエンティティの検索を行うHaSフレームワークを紹介する。 本研究では,HaSのプライバシー保護性能を定量的に評価するために,ブラックボックスモデルとホワイトボックスモデルの両方を提案する。
  論文  参考訳（メタデータ） (2023-09-06T14:54:11Z)

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。