論文の概要: QuasiLeak-Bench: Evaluating LLM-Based Privacy Detectors on Policy-Conditioned Quasi-Evidence Group Recovery

• arxiv url: http://arxiv.org/abs/2610.21333v2
• Date: Mon, 19 Oct 2026 13:27:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 06:32:45.309375
• Title: QuasiLeak-Bench: Evaluating LLM-Based Privacy Detectors on Policy-Conditioned Quasi-Evidence Group Recovery
• Title（参考訳）: QuasiLeak-Bench:ポリシーに基づく準エビデンスグループ回復のためのLCMベースのプライバシ検出器の評価
• Abstract要約: QuasiLeak-Benchは、ポリシー条件付き準証拠グループリカバリのベンチマークである。 これは、検出器が完全な準証拠グループを回復し、与えられたポリシーが禁止している開示を通知するかどうかを評価する。 大規模で信頼性の高い地盤真理を得るために、逆構成パイプラインは、まず弱い準識別器を選択し、目標属性を共同で明らかにする検証された準証拠群に構成し、この証拠に関する文書を生成し、その後、自動品質管理を行う。
• 参考スコア（独自算出の注目度）: 19.83859876659629
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Natural language messages often contain quasi-identifiers that are weak in isolation but can jointly reveal an individual's private attributes. We call such a jointly revealing set of cues a quasi-evidence group. Existing privacy benchmarks focus on explicit identifiers, attribute inference, or task-driven disclosures, leaving inference from quasi-evidence groups largely unmeasured. In practice, whether exposing such a quasi-evidence group violates privacy also depends on sender-specified disclosure policies. We introduce QuasiLeak-Bench, a benchmark for policy-conditioned quasi-evidence group recovery, which evaluates whether detectors recover complete quasi-evidence groups and flag the disclosures the given policy prohibits. To obtain reliable ground truth at scale, a reverse-construction pipeline first selects weak quasi-identifiers, composes them into quasi-evidence groups verified to jointly reveal a target attribute, and generates documents around this evidence, followed by automated quality control. Experiments show that existing privacy detectors transfer poorly to QuasiLeak-Bench, and locally deployable LLM-based detectors fall far behind proprietary models, mainly because they miss most quasi-evidence groups altogether. However, a 4B model fine-tuned on our training split surpasses the strongest prompted model on held-out documents, showing that the task is learnable.
• Abstract（参考訳）: 自然言語メッセージは、分離が弱いが、個人のプライベート属性を共同で明らかにすることができる準識別器を含むことが多い。 このような集合を準証拠群(quasi-evidence group)と呼ぶ。 既存のプライバシベンチマークでは、明示的な識別子、属性推論、タスク駆動の開示に重点を置いており、準エビデンスグループからの推論はほとんど測定されていない。 実際には、そのような準証拠グループを公開することがプライバシーに反するかどうかは、送信者特定開示ポリシーにも依存する。 政策条件付き準エビデンスグループリカバリのベンチマークである QuasiLeak-Bench を導入し,検出器が完全準エビデンスグループを回復し,所定のポリシが禁止している開示を通知するかどうかを評価する。 大規模で信頼性の高い地盤真理を得るために、逆構成パイプラインは、まず弱い準識別器を選択し、目標属性を共同で明らかにする検証された準証拠群に構成し、この証拠に関する文書を生成し、その後、自動品質管理を行う。 実験によると、既存のプライバシー検出装置はQuasiLeak-Benchへの転送が不十分で、ローカルに展開可能なLCMベースの検出器は、ほとんどの準証拠グループを見逃しているため、プロプライエタリなモデルよりはるかに遅れている。 しかし、トレーニング分割を微調整した4Bモデルは、保持文書上で最も強力なインプットモデルを超え、タスクが学習可能であることを示す。

関連論文リスト

• Conformal Privacy Auditing: Calibrated Re-identification Attacks with Statistical Guarantees [57.41572512458446]
  公開されたテキストからの経験的アイデンティティリークは、大きな言語モデル(LLM)とドキュメントを個人にリンクするための補助的な知識を組み合わせた攻撃者によって駆動される。 本稿では,各文書の再識別リスクの統計証明を提供する分散フリーキャリブレーションフレームワークであるConformal Privacy Auditingを紹介する。
  論文  参考訳（メタデータ） (2026-09-18T05:49:54Z)
• ASLEval: Measuring Privacy Exposure Displacement in LLM Agent Sessions [18.225223569885497]
  ローカルプロキシは、複数ステップのセッションで、許可されていない露出を見逃します。 ASLEvalは、隠れたターゲットセットを事前登録する認可対応フレームワークである。
  論文  参考訳（メタデータ） (2026-09-16T16:03:11Z)
• AEGIS: From Clues to Verdicts -- Graph-Guided Deep Vulnerability Reasoning via Dialectics and Meta-Auditing [9.271196825503417]
  大きな言語モデル(LLM)は、脆弱性検出にますます採用されているが、その推論は基本的には正しくない。 AEGISは、未解決の投機から、クローズドな事実ベース上の法医学的検証へ、検出をシフトする新しいマルチエージェントフレームワークである。 これは、主要なベースラインと比較して偽陽性率を最大54.40%削減し、1サンプルあたりの平均コストはタスク固有のトレーニングなしで0.09ドルである。
  論文  参考訳（メタデータ） (2026-03-21T04:12:04Z)
• Privacy-Preserving Prompt Injection Detection for LLMs Using Federated Learning and Embedding-Based NLP Classification [0.0]
  本稿では,フェデレート学習と埋め込みに基づく分類に基づくプライバシー保護型インジェクション検出フレームワークを提案する。 その結果, 生データを露出することなく効果的なインジェクション検出が可能であることが示唆された。
  論文  参考訳（メタデータ） (2025-11-15T17:11:14Z)
• SWAP: Towards Copyright Auditing of Soft Prompts via Sequential Watermarking [58.475471437150674]
  ソフトプロンプト(SWAP)のための逐次透かしを提案する。 SWAPは、特定のディフェンダー指定のアウト・オブ・ディストリビューション・クラスを通じて、透かしを符号化する。 11のデータセットの実験では、SWAPの有効性、無害性、および潜在的適応攻撃に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2025-11-05T13:48:48Z)
• Detecting Multimodal Situations with Insufficient Context and Abstaining from Baseless Predictions [75.45274978665684]
  VLU(Vision-Language Understanding)ベンチマークには、提供されたコンテキストによってサポートされない仮定に答えが依存するサンプルが含まれている。 サンプル毎にコンテキストデータを収集し,エビデンスに基づくモデル予測を促進するためにコンテキスト選択モジュールをトレーニングする。 我々は,十分なコンテキストを欠いたサンプルを同定し,モデル精度を向上させる汎用なコンテキスト・アワレ認識検出器を開発した。
  論文  参考訳（メタデータ） (2024-05-18T02:21:32Z)
• Evidence Tampering and Chain of Custody in Layered Attestations [0.0]
  分散システムにおいて、信頼決定は、遠隔検定によって生成される完全性証明に基づいて行われる。 提案手法は, 証拠が検出されることなく, 証拠を改ざんできる「戦略」を改ざんするだけでなく, 証拠を改ざんするための全ての改ざん機会を識別するアルゴリズムを提案する。 当社の取り組みは,プロトコル設計者が可能な限り最小かつ信頼性の高いコンポーネントの集合に機会を阻害する証拠を減らすことを支援することを目的としています。
  論文  参考訳（メタデータ） (2024-01-31T21:54:53Z)

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。