論文の概要: PrivMeSA: Privacy-Aware Self-Evolving Multi-Agent System for Medicine via Local-Remote LLM Collaboration
- arxiv url: http://arxiv.org/abs/2609.38458v1
- Date: Tue, 29 Sep 2026 19:47:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:26.692034
- Title: PrivMeSA: Privacy-Aware Self-Evolving Multi-Agent System for Medicine via Local-Remote LLM Collaboration
- Title（参考訳）: PrivMeSA: ローカルリモートLDMコラボレーションによる医療用プライバシ対応セルフ進化型マルチエージェントシステム
- Abstract要約: PrivMeSAはプライバシーを意識したマルチエージェントシステムで、情報開示を制御し、ローカルな再利用のためにリモートの専門知識を保持する。
MIMIC-IV-EDレコードから構築された緊急時処理のベンチマークでは、PrivMeSAはデリゲートよりも平均タスク精度を最大15.8ポイント改善している。
- 参考スコア（独自算出の注目度）: 21.1070920754271
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Clinical large language model (LLM) agents deployed locally can consult more capable remote models, but doing so risks exposing patient information. Privacy-conscious delegation places disclosure decisions with a local agent, yet removing explicit identifiers is insufficient: quasi-identifiers can accumulate across multi-turn consultations and repeated patient visits to enable re-identification. We introduce PrivMeSA, a privacy-aware self-evolving multi-agent system that learns to control disclosure and retains remote expertise for local reuse. A local agent manages each encounter and consults remote specialists that may request additional information. Reinforcement learning balances task accuracy against direct disclosure and registry-based re-identification risk, with privacy evaluated over the complete outbound transcript of each encounter. A local lesson memory distills completed consultations into generalized clinical guidance and retrieves relevant lessons before transmission, allowing subsequent cases to reuse expertise without another remote exchange. Memory grows without additional outcome labels or parameter updates. On an emergency-department benchmark built from MIMIC-IV-ED records, PrivMeSA improves mean task accuracy over delegation by up to 15.8 percentage points. In the same setting, PrivMeSA reduces the disclosure of personal details from 98.0% to 0.2% of cases and the share of cases in which the patient can be narrowed to ten or fewer registry patients from 74% to 0%.
- Abstract（参考訳）: 臨床大言語モデル(LLM)エージェントは、より有能な遠隔モデルを参照することができるが、患者情報を暴露するリスクを負う。
プライバシーを意識した委任状は、ローカルエージェントと開示決定を行うが、明示的な識別子を削除することは不十分である。
プライバシーを意識したマルチエージェントシステムであるPrivMeSAを紹介する。
ローカルエージェントは、各出会いを管理し、追加情報を要求できるリモートスペシャリストに相談する。
強化学習は、タスクの正確性と、直接開示とレジストリベースの再識別リスクとのバランスを保ち、各遭遇のアウトバウンドの完全な書き起こしに対してプライバシが評価される。
局所的な授業記憶は、総合的な臨床指導に相談を完了し、送信前に関連する教訓を回収し、その後の事例は、他の遠隔交換なしで専門知識を再利用することができる。
メモリは、追加の結果ラベルやパラメータ更新なしで成長する。
MIMIC-IV-EDレコードから構築された緊急時処理のベンチマークでは、PrivMeSAはデリゲートよりも平均タスク精度を最大15.8ポイント改善している。
同様に、PrivMeSAは、患者の個人情報の開示を98.0%から0.2%に減らし、患者が10人未満の登録患者を74%から0%に絞ることができるケースのシェアを74%から0%に減らしている。
関連論文リスト
- ResidencyRL: Reinforcement Learning in Simulated Clinical Environments [53.76751756107077]
臨床人工知能(AI)エージェントを模擬多ターン臨床で訓練するための強化学習(RL)手法であるResidencyRLを提案する。
ホールドアウト評価では、ResidencyRLエージェントは、対向条件下で診断精度を7.0%向上させる。
盲目の専門医はこれらの利得を検証し、訓練されたエージェントをサイドバイサイド比較の87.6%で好んだ。
論文 参考訳（メタデータ） (2026-08-07T17:04:41Z) - MosaicLeaks:Privacy Risks in Querying-in-the-Open for Deep Research Agents [76.60965179634664]
ディープリサーチエージェントは、プライベートなローカルドキュメントをWeb検索のような外部ツールと組み合わせて、プライバシーリスクを生じさせている。
プライベートなエンタープライズドキュメントとパブリックなWebコーパスをチェーンする1,001のディープリサーチタスクのベンチマークであるMosaicLeaksを紹介します。
私たちは、家族やサイズにわたるモデルが3つのレベルすべてに頻繁にリークしていることに気付きました。
論文 参考訳（メタデータ） (2026-05-29T01:44:35Z) - Detecting Clinical Discrepancies in Health Coaching Agents: A Dual-Stream Memory and Reconciliation Architecture [71.46525715889656]
汎用エージェントメモリシステムは、ユーザの最新のステートメントで古い事実を上書きすることでコヒーレンスを最適化する。
本稿では,患者の物語を構造化された臨床記録から厳密に分離するDual-Stream Memory Architectureを提案する。
675日間のウェルネスコーチングセッションにおいて,26名の患者を対象にこのアーキテクチャを評価した。
論文 参考訳（メタデータ） (2026-04-29T17:59:28Z) - MedPriv-Bench: Benchmarking the Privacy-Utility Trade-off of Large Language Models in Medical Open-End Question Answering [15.468900582717865]
オープンエンド質問応答におけるプライバシ臨床的有用性を評価するために設計された最初のベンチマークであるMed-Benchを紹介する。
われわれのフレームワークは、マルチエージェントのヒューマン・イン・ザ・ループパイプラインを使用して、繊細な医療状況と、リアルなプライバシー圧力を生み出す臨床的に関連するクエリを合成する。
本研究は,プライバシに敏感な環境下での医療AIシステムの安全性と有効性を評価するための,ドメイン固有のベンチマークの必要性を明らかにするものである。
論文 参考訳（メタデータ） (2026-03-15T07:47:35Z) - Distributed Agent Reasoning Across Independent Systems With Strict Data Locality [0.0]
本稿では,分散システムにおけるエージェント・エージェント間通信のコンセプト実証について述べる。
エージェントはOperationRelayコールを通じて通信し、簡潔な自然言語要約を交換する。
このプロトタイプの目標は、臨床的に検証された生産可能なシステムを提供することではなく、実現可能性を示すことにある。
論文 参考訳（メタデータ） (2025-11-20T12:13:20Z) - Linkage Attacks Expose Identity Risks in Public ECG Data Sharing [4.452543616855779]
攻撃者が部分的知識で操作する現実的な条件下でのプライバシーリスクを評価する。
提案手法は,個人を公開データセットで再同定する際の精度を85%向上させる。
論文 参考訳（メタデータ） (2025-08-20T05:52:10Z) - 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) - An Agentic System for Rare Disease Diagnosis with Traceable Reasoning [69.46279475491164]
大型言語モデル(LLM)を用いた最初のまれな疾患診断エージェントシステムであるDeepRareを紹介する。
DeepRareは、まれな疾患の診断仮説を分類し、それぞれに透明な推論の連鎖が伴う。
このシステムは2,919の疾患に対して異常な診断性能を示し、1013の疾患に対して100%の精度を達成している。
論文 参考訳（メタデータ） (2025-06-25T13:42:26Z) - PrivyTRAC: Privacy and Security Preserving Contact Tracing System [0.0]
従来の労働集約型接触追跡手法の代替として,スマートフォンの位置情報に基づく手法が提案され,実装されている。
多くの社会で広く普及するのを妨げる深刻なプライバシーとセキュリティの懸念がある。
PrivyTRACと呼ばれる新しいシステムコンセプトは、ユーザのプライバシを保護し、セキュリティを高め、スマートフォンの接触追跡の精度を向上させる。
論文 参考訳（メタデータ） (2020-06-15T17:32:38Z)
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。