論文の概要: Tokenized Key-Gated Adapter Routing: A Secure Access Control Mechanism Against Private Data Leakage in LLMs

• arxiv url: http://arxiv.org/abs/2610.00309v1
• Date: Mon, 28 Sep 2026 19:52:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.59802
• Title: Tokenized Key-Gated Adapter Routing: A Secure Access Control Mechanism Against Private Data Leakage in LLMs
• Title（参考訳）: トークン化キーゲート型アダプタルーティング:LLMにおけるプライベートデータ漏洩に対するセキュアアクセス制御機構
• Abstract要約: 大きな言語モデル(LLM)は、プライバシクリティカルなドメインにますますデプロイされている。 既存の防衛は、モデルユーティリティ、プライバシ保護、微調整されたプライベート知識へのアクセスの間のトレードオフを強制する。 鍵入力トークン(ロケット)を用いたLoRA指向制御を提案する。 Locketは、細粒度でポリシー駆動のアクセス制御を直接LLM生成に組み込む。
• 参考スコア（独自算出の注目度）: 0.4720681957139135
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Large language models (LLMs) are increasingly deployed in privacy-critical domains (e.g., healthcare, finance, and government), but their propensity to memorize and disclose personally identifiable information (PII) poses serious security and compliance risks. Existing defenses typically force a trade-off between model utility, privacy protection, and access to fine-tuned private knowledge. We propose LoRA-Oriented Control via Keyed Entry Tokens (Locket), a practical framework that embeds fine-grained, policy-driven access control directly into LLM generation. Locket trains a set of lightweight LoRA (Low-Rank Adaptation) adapters, each encoding a distinct access policy (e.g., full reveal, partial redaction via PII masking, or reveal under a specified differential privacy level). A compact gating module is trained to associate a learned keyed entry token with exactly one LoRA adapter via sequence-level hard routing; the presence of a valid token acts as an authorization key that unlocks corresponding private knowledge, while an invalid or absent token triggers a privacy-preserving adapter that redacts or sanitizes sensitive content. This design ensures Locket remains fully compatible with off-the-shelf LLMs, supporting scalable deployment while satisfying regulatory and privacy requirements. We evaluate Locket across multiple datasets (Enron, ECHR, Yelp) and a diverse set of state-of-the-art LLMs, including Qwen3 (1.7B and 8B), Meta's Llama-3.2 (1B and 3B), and Google's Gemma-2-2B. Our extensive experiments demonstrate that, when the correct token is provided, Locket preserves perplexity comparable to fine-tuning on raw data (without any defense). Conversely, when the token is missing or invalid, it substantially reduces PII leakage while maintaining utility and perplexity on par with strong baseline defenses.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、プライバシクリティカルなドメイン(例えば、医療、金融、政府)にますますデプロイされていますが、個人識別可能な情報(PII)を記憶し、開示する確率は、重大なセキュリティとコンプライアンスのリスクをもたらします。 既存の防衛は、モデルユーティリティ、プライバシ保護、微調整されたプライベート知識へのアクセスの間のトレードオフを強要する。 LLM生成に直接、細粒度でポリシー駆動のアクセス制御を組み込む実用的なフレームワークである LoRA-Oriented Control via Keyed Entry Tokens (Locket) を提案する。 Locketは軽量のLoRA(Low-Rank Adaptation)アダプタをトレーニングし、それぞれが異なるアクセスポリシー(例えば、完全な公開、PIIマスクによる部分的なリアクション、あるいは特定の差分プライバシーレベル下での公開)を符号化する。 学習されたキー付きエントリトークンと、シーケンスレベルのハードルーティングを介して正確に1つのLoRAアダプタとを関連付けるように訓練される。有効なトークンの存在は、対応するプライベート知識をアンロックする認証キーとして機能し、無効または欠落したトークンは、機密コンテンツを修正または衛生するプライバシ保護アダプタをトリガーする。 この設計により、Locketは既製のLLMと完全に互換性を保ち、規制とプライバシ要件を満たしながら、スケーラブルなデプロイメントをサポートする。 複数のデータセット(Enron, ECHR, Yelp)と、Qwen3(1.7Bと8B)、MetaのLlama-3.2(1Bと3B)、GoogleのGemma-2-2Bなど、最先端のLLMのさまざまなセットを評価する。 我々の広範な実験により、正しいトークンが提供されると、Locketは(防御なしで)生データの微調整に匹敵する難易度を保ちます。 逆に、トークンが欠落したり無効になったりすると、強力なベースラインディフェンスと同等の実用性と難易度を維持しながら、PIIリークを大幅に低減する。

関連論文リスト

• Keyed Provenance Watermarking with Complementary Lattice-Based Secure Aggregation for Federated Learning [9.487248784690612]
  本稿では,鍵付きコンテキスト保証透かしと格子ベースのセキュアアグリゲーションを結合するFLフレームワークを提案する。 我々の知る限り、両方の層をハイブリッドでエンドツーエンドで信頼できるFLフレームワークで共同で評価する以前の検証ワークフローはありません。
  論文  参考訳（メタデータ） (2026-08-20T21:26:31Z)
• SecureGate: Learning When to Reveal PII Safely via Token-Gated Dual-Adapters for Federated LLMs [0.4720681957139135]
  フェデレートラーニング(FL)は、生データを共有せずに組織サイロ間で協調的なトレーニングを可能にするため、プライバシに敏感なアプリケーションには魅力的である。 大規模言語モデル (LLM) の急速な普及に伴い, 機密性を保ちながら分散データを活用する手段として, ジェネレーティブLLMの微調整が注目されている。 プライバシを意識したLLM用ファインチューニングフレームワークSecureGateを提案する。
  論文  参考訳（メタデータ） (2026-02-13T23:53:32Z)
• DP-Fusion: Token-Level Differentially Private Inference for Large Language Models [51.71591819896191]
  大規模言語モデル(LLM)は、推論時にプライバシを保存しない。 DP-Fusion は LLM の出力にコンテキスト内のトークンの集合が持つ影響を証明的に束縛する。 提案手法は, 理論的および実証的プライバシを大幅に改善した, 証明可能な民営化文書を作成する。
  論文  参考訳（メタデータ） (2025-07-06T20:49:39Z)
• PIG: Privacy Jailbreak Attack on LLMs via Gradient-based Iterative In-Context Optimization [22.20191563383239]
  PIG(Personally Identible Information)を対象とする新しいフレームワークを提案する(PII)。 PIGはプライバシクエリのPIIエンティティとそのタイプを特定し、コンテキスト内学習を使用してプライバシコンテキストを構築し、PIIをターゲットとする3つのグラデーションベースの戦略を反復的に更新する。 2つのプライバシー関連データセットを用いてPIGおよび既存のジェイルブレイク手法を評価する。
  論文  参考訳（メタデータ） (2025-05-15T03:11:57Z)
• Output Constraints as Attack Surface: Exploiting Structured Generation to Bypass LLM Safety Mechanisms [0.9091225937132784]
  我々は、従来のデータプレーンの脆弱性に対して、重要な制御プレーン攻撃面を明らかにする。 本稿では、構造的出力制約を武器として安全機構をバイパスする新しいジェイルブレイククラスであるConstrained Decoding Attackを紹介する。 本研究は, 現状のLLMアーキテクチャにおける重要なセキュリティ盲点を明らかにし, 制御面脆弱性に対処するため, LLM安全性のパラダイムシフトを促すものである。
  論文  参考訳（メタデータ） (2025-03-31T15:08:06Z)
• Towards Copyright Protection for Knowledge Bases of Retrieval-augmented Language Models via Reasoning [58.57194301645823]
  大規模言語モデル(LLM)は、現実のパーソナライズされたアプリケーションにますます統合されている。 RAGで使用される知識基盤の貴重かつしばしばプロプライエタリな性質は、敵による不正使用のリスクをもたらす。 これらの知識基盤を保護するための透かし技術として一般化できる既存の方法は、一般的に毒やバックドア攻撃を含む。 我々は、無害な」知識基盤の著作権保護の名称を提案する。
  論文  参考訳（メタデータ） (2025-02-10T09:15:56Z)
• Continual Forgetting for Pre-trained Vision Models [70.51165239179052]
  現実のシナリオでは、選択的な情報は事前訓練されたモデルから継続的に取り除かれることが期待される。 効率的な削除のためのグループスパースロラ(GS-LoRA)を提案する。 我々は,顔認識,物体検出,画像分類に関する広範な実験を行い,GS-LoRAが他のクラスに最小限の影響で,特定のクラスを忘れることが実証された。
  論文  参考訳（メタデータ） (2024-03-18T07:33:56Z)
• Is Vertical Logistic Regression Privacy-Preserving? A Comprehensive Privacy Analysis and Beyond [57.10914865054868]
  垂直ロジスティック回帰(VLR)をミニバッチ降下勾配で訓練した。 我々は、オープンソースのフェデレーション学習フレームワークのクラスにおいて、VLRの包括的で厳密なプライバシー分析を提供する。
  論文  参考訳（メタデータ） (2022-07-19T05:47:30Z)

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。