論文の概要: Learning to Refer: Client-Resolved Generation for Privacy-Aware Language Models

• arxiv url: http://arxiv.org/abs/2609.32706v1
• Date: Sat, 26 Sep 2026 15:13:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 21:07:37.402873
• Title: Learning to Refer: Client-Resolved Generation for Privacy-Aware Language Models
• Title（参考訳）: 参照学習:プライバシ対応言語モデルのためのクライアント解決ジェネレーション
• Abstract要約: クラウドベースの大規模言語モデル(LLM)では、ユーザはサービスプロバイダにデータを公開し、機密ドメインのプライバシリスクを発生させる必要がある。 本稿では,サーバサイド生成と入力内容の語彙的実現を分離するジェネラオンインタフェースであるクライアント-解決生成(CRG)を紹介する。 このインターフェースは、トレインイングと推論の両方の間、プライベート入力とインプットから出力されるコンテンツを保護すると同時に、サービスプロバイダが独自のモデルパラメータをクライアントから隠蔽することを可能にする。
• 参考スコア（独自算出の注目度）: 28.622636023401228
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Cloud-based large language models (LLMs) require users to disclose plaintext data to service providers, creating privacy risks in sensitive domains. Existing privacy-preserving approaches often trade utility for protection, incur substantial computational or communication overhead, remain vulnerable to reconstruction from intermediate representations, or protect only a subset of the training and inference pipeline. We introduce Client-Resolved Generation (CRG), a genera- tion interface that separates server-side generation from the lexical realization of input-derived content. The client transmits only pooled and noise-perturbed rep- resentations, while input-derived output content is represented using request-local positional references and resolved to its original strings only on the client. This interface protects private input and input-derived output content during both train- ing and inference while allowing the service provider to keep its proprietary model parameters hidden from the client. At the same time, exact lexical reuse remains possible without directly exposing the reused content on the provider-visible gen- eration path. We evaluate CRG on medical and document-grounded QA, sensi- tive identifier transfer, and tool calling, together with reconstruction and raw-logit leakage analyses. On SealTools, CRG improves complete-call exact match from 57.3% to 79.9% over the input-privacy framework PPFT, with larger gains as more required output content can be resolved through references. Together, these results show that CRG provides a practical interface for privacy-sensitive cloud LLMs by reducing plaintext exposure across both input and output pathways while preserv- ing task utility and server-side model confidentiality.
• Abstract（参考訳）: クラウドベースの大規模言語モデル(LLM)では、サービスプロバイダにプレーンテキストデータを公開し、機密ドメインのプライバシリスクを発生させる必要がある。 既存のプライバシ保護アプローチは、しばしば保護のためにユーティリティを交換し、相当な計算や通信オーバーヘッドを発生させ、中間表現からの再構築に対して脆弱であり続けるか、トレーニングと推論パイプラインのサブセットのみを保護する。 本稿では,サーバサイド生成と入力内容の語彙的実現を分離するジェネラオンインタフェースであるクライアント-解決生成(CRG)を紹介する。 クライアントは、入出力コンテンツは、要求ローカルな位置参照を使用して表現され、クライアント上でのみ元の文字列に解決される。 このインターフェースは、トレインイングと推論の両方の間、プライベート入力とインプットから出力されるコンテンツを保護すると同時に、サービスプロバイダが独自のモデルパラメータをクライアントから隠蔽することを可能にする。 同時に、再利用されたコンテンツをプロバイダ可視のgen-erationパスに直接公開することなく、正確な語彙再利用が可能となる。 医用および文書によるQA, 感性識別子転送, ツール呼び出しにおけるCRGと, 再建および生ログリーク解析について検討した。 SealToolsでは、CRGは入力プライバシフレームワークPPFTよりも57.3%から79.9%まで完全呼出精度を向上し、要求される出力内容が参照によって解決されるにつれて、より大きなゲインを得た。 これらの結果から、CRGは入力経路と出力経路の両方にわたる平文の露出を減らし、予約タスクユーティリティとサーバ側モデル機密性を低減し、プライバシに敏感なクラウドLLMに実用的なインターフェースを提供することを示した。

関連論文リスト

• Auditing and Mitigating Privacy Leakage in Cloud-Edge Collaborative Decoding [5.588359981676548]
  クラウド・エッジ・コラボレーティブ・デコーディング・パラダイムを提案する。このパラダイムでは、プライマリデータをエッジに保持し、SLM(Small Language Model)によって次世代のディストリビューションを生成する。 このようなコラボレーションによって、大量のプライベートコンテキスト情報を公開できることが示される。 復号時の漏洩を抑制するために送信信号の動的最適化を行う防衛機構であるCoVeilを提案する。
  論文  参考訳（メタデータ） (2026-08-29T07:40:14Z)
• Privacy-Preserving RAG via Multi-Agent Semantic Rewriting: Achieving Confidentiality Without Compromising Contextual Fidelity [36.50013561597688]
  Retrieval-Augmented Generationは、外部知識を取り入れることで、大きな言語モデルを強化する。 機密性のあるシナリオにデプロイすると、悪意のあるプロンプトによるプライバシーの漏洩が危険になる。 本稿では,検索したコンテンツをセマンティック・リライトによってサニタイズするマルチエージェント・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-23T14:21:41Z)
• Towards Privacy-Preserving Large Language Model: Text-free Inference Through Alignment and Adaptation [22.16117894083848]
  我々は、生のプロンプトテキストの送信を不要にする新しいトレーニングパイプラインであるPPFT(Philipacy-Preserving Fine-Tuning)を導入する。 まず、サーバ側プロジェクションモジュールとLCMを併用してクライアント側エンコーダをトレーニングし、サーバが生テキストの代わりにkプールされたプロンプト埋め込みを条件にすることができるようにします。 ドメイン固有および一般的なベンチマークに関する大規模な実験は、PPFTがプライバシとユーティリティの顕著なバランスを達成していることを示している。
  論文  参考訳（メタデータ） (2026-04-08T08:49:17Z)
• Stop Tracking Me! Proactive Defense Against Attribute Inference Attack in LLMs [61.15237978606501]
  大規模言語モデルは、ユーザ生成テキストからプライベートなユーザー属性を推測することができる。 既存の匿名化ベースの防御は粗く、プライバシーを優先する要素を匿名化する際に単語レベルの精度が欠如している。 細粒度匿名化(TRACE)と推論防止最適化(RPS)を組み合わせた統合防衛フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-12T03:37:50Z)
• 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)
• Efficient Privacy-Preserving Retrieval Augmented Generation with Distance-Preserving Encryption [25.87368479678027]
  RAGは高い計算コストを伴わずにLLMの応答品質を向上させる重要な技術として登場した。 従来のアーキテクチャでは、RAGサービスは、信頼できるローカル環境内でデータセットをホストする単一のエンティティによって提供される。 信頼できないサードパーティサービスへの依存は、プライバシーのリスクをもたらす。 信頼できないクラウド環境に適した効率的なプライバシ保護RAGフレームワーク(ppRAG)を提案する。
  論文  参考訳（メタデータ） (2026-01-18T09:29:50Z)
• Towards Federated Clustering: A Client-wise Private Graph Aggregation Framework [57.04850867402913]
  フェデレーションクラスタリングは、分散化されたラベルのないデータからパターンを抽出する課題に対処する。 本研究では,プライバシ保護のための知識共有媒体として,局所構造グラフを革新的に活用する新しいアルゴリズムSPP-FGCを提案する。 我々のフレームワークは最先端のパフォーマンスを実現し、認証可能なプライバシー保証を維持しつつ、フェデレーションベースラインよりも最大10%(NMI)のクラスタリング精度を向上させる。
  論文  参考訳（メタデータ） (2025-11-14T03:05:22Z)
• 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)
• Privacy-Preserving Federated Embedding Learning for Localized Retrieval-Augmented Generation [60.81109086640437]
  我々はFedE4RAG(Federated Retrieval-Augmented Generation)と呼ばれる新しいフレームワークを提案する。 FedE4RAGはクライアント側RAG検索モデルの協調トレーニングを容易にする。 モデルパラメータの保護にフェデレート学習の準同型暗号化を適用する。
  論文  参考訳（メタデータ） (2025-04-27T04:26:02Z)
• FedCG: Leverage Conditional GAN for Protecting Privacy and Maintaining Competitive Performance in Federated Learning [11.852346300577494]
  フェデレートラーニング(FL)は、クライアントがプライベートデータを共有せずに、協調して機械学習モデルを構築することを可能にすることで、データのプライバシを保護することを目的としている。 近年の研究では、FL中に交換された情報が勾配に基づくプライバシー攻撃の対象であることが示されている。 我々は,条件付き生成対向ネットワークを利用して高レベルのプライバシ保護を実現する新しいフェデレーション学習手法である$textscFedCG$を提案する。
  論文  参考訳（メタデータ） (2021-11-16T03:20:37Z)

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。