論文の概要: Broad and Efficient PII Detection with Unified Labels

• arxiv url: http://arxiv.org/abs/2610.22597v1
• Date: Thu, 15 Oct 2026 19:47:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.645596
• Title: Broad and Efficient PII Detection with Unified Labels
• Title（参考訳）: 統一ラベルを用いた広帯域かつ効率的なPII検出
• Abstract要約: PII検出モデルは、高ボリュームトラフィックに対して低い偽陽性率(FPR)を維持しながら、さまざまなコンテキストにわたる識別子を効率的に見つける必要がある。 最近の検出器は、デプロイコストを上昇させる複雑なアーキテクチャにますます依存しているが、その多くは、カバー範囲を制限する少数の合成データセットに微調整されている。 また,本モデルでは,従来のラベルでは14点中11点,オリジナルラベルでは14点中9点において,より大きなベースラインに対して最も高いリコールを達成している。
• 参考スコア（独自算出の注目度）: 0.20052993723676893
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Personally Identifiable Information (PII) detection models must efficiently find identifiers across diverse contexts while maintaining a low false-positive rate (FPR) on high-volume traffic. Recent detectors increasingly rely on complex architectures that raise deployment cost, yet many are fine-tuned on only a few synthetic datasets that limit their coverage. Combining public datasets is challenging because their taxonomies differ, and even after categories are mapped to a common schema, labels can disagree on what counts as a detection, producing inconsistent training and evaluation signals. To address these problems, we present a practical 141M-parameter encoder-based detector trained on 1.12 million examples from 77 public datasets, relabeled under a detailed definition of broad contextual detection for 12 structured PII categories. Evaluated on the AI4Privacy and Nemotron-PII benchmarks at a low-FPR operating point, our model achieves the highest recall against larger baselines in 11 of 14 comparisons under our labels and 9 of 14 under the original labels. Its largest recall gains include useful additional coverage, such as multilingual disclosures and IP addresses embedded in URLs. It achieves this with 2-10x higher throughput and 94-97% less peak GPU memory than the baselines, delivering leading detection performance at substantially lower cost.
• Abstract（参考訳）: 個人識別可能な情報 (PII) 検出モデルは,高ボリュームトラフィックに対して低い偽陽性率 (FPR) を維持しつつ,多様なコンテキストをまたいだ識別子を効率的に見つける必要がある。 最近の検出器は、デプロイコストを上昇させる複雑なアーキテクチャにますます依存しているが、その多くは、カバー範囲を制限する少数の合成データセットに微調整されている。 パブリックデータセットを組み合わせることは、分類学が異なるため困難であり、カテゴリが共通のスキーマにマッピングされた後も、ラベルは検出として数えられるものについて意見が一致せず、一貫性のないトレーニングと評価信号を生成することができる。 これらの問題に対処するために、77の公開データセットから1,12百万のサンプルをトレーニングし、12の構造化されたPIIカテゴリに対して、広義のコンテキスト検出を詳細に定義した、実用的な141Mパラメトリック・エンコーダベースの検出器を提案する。 低FPR動作点におけるAI4PrivacyとNemotron-PIIベンチマークに基づいて評価した結果,本モデルでは,ラベルの14点中11点,オリジナルラベルの14点中9点において,より大きなベースラインに対して高いリコールを達成している。 最大のリコールには、多言語開示やURLに埋め込まれたIPアドレスなど、便利な追加カバレッジが含まれる。 これにより、2～10倍のスループットと94～97%のピークGPUメモリがベースラインよりも小さくなり、検出性能が大幅に低下する。

関連論文リスト

• Unlocking Latent Value: Taxonomy-Guided Recovery of High-Performing Data from Low-Tier Web Corpora [35.23839643059164]
  崩壊文書の品質を1つの複合スコアに事前訓練するための支配的なWebデータパイプライン。 本稿では,合成スコアの獲得に失敗する意味論的意味のある次元に沿ってフィルタリングすることで,この価値を回復する分類学駆動のフレームワークを提案する。 選択したフィルタを優先順位付けされたWebデータに適用すると、分類学的にフィルタリングされたサブセットは、フィルタされていないベースラインを上回り、最高品質のレベルを超えます。
  論文  参考訳（メタデータ） (2026-06-05T18:43:14Z)
• Benchmarking Patent Embeddings: A Multi-Task Evaluation of 22 Models Across Retrieval, Classification, and Clustering [0.0]
  我々は,情報検索,分類,クラスタリングという3つのタスクに対して,事前学習した22の埋め込みモデルを評価する。 2つの結果は、一般的な知恵に疑問を投げかけている。
  論文  参考訳（メタデータ） (2026-05-22T23:51:13Z)
• Unsupervised LiDAR-Based Multi-UAV Detection and Tracking Under Extreme Sparsity [2.3646560222366695]
  非繰り返し固体LiDARスキャンは、空中UAVを検出するための極めてスパースな測定条件をもたらす。 ラベル付きトレーニングデータを必要とせずに、検出とトラッキングの両方に対処する、教師なしのLiDARのみのパイプラインを導入します。
  論文  参考訳（メタデータ） (2026-03-12T06:19:51Z)
• How well are open sourced AI-generated image detection models out-of-the-box: A comprehensive benchmark study [5.740397289924559]
  普遍的な勝者は存在せず、検出器のランキングはかなり不安定である。 我々の発見は、全能検出器のパラダイムに挑戦した。
  論文  参考訳（メタデータ） (2026-02-08T04:36:13Z)
• AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
  AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。 2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。 分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-08-07T07:47:16Z)
• SOOD++: Leveraging Unlabeled Data to Boost Oriented Object Detection [68.18620488664187]
  本稿では,SOOD++ と呼ばれる簡易かつ効果的な半教師付きオブジェクト指向検出手法を提案する。 具体的には、空中画像からの物体は、通常任意の向き、小さなスケール、密度分布を持つ。 各種ラベル付き環境下での多目的対象物に対する大規模な実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-07-01T07:03:51Z)
• Empowering HWNs with Efficient Data Labeling: A Clustered Federated Semi-Supervised Learning Approach [2.046985601687158]
  CFL(Clustered Federated Multitask Learning)は,統計的課題を克服するための効果的な戦略として注目されている。 本稿では,より現実的なHWNシナリオ用に設計された新しいフレームワークであるClustered Federated Semi-Supervised Learning (CFSL)を紹介する。 その結果,ラベル付きデータとラベル付きデータの比率が異なる場合,CFSLはテスト精度,ラベル付け精度,ラベル付け遅延などの重要な指標を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2024-01-19T11:47:49Z)
• Pseudo-label Alignment for Semi-supervised Instance Segmentation [67.9616087910363]
  擬似ラベルは半教師付きインスタンスセグメンテーションにおいて重要である。 既存のパイプラインでは、クラスやマスクの品質のミスマッチにより、貴重な情報を含む擬似ラベルをフィルタリングすることができる。 本稿では,疑似ラベル整合インスタンスセグメンテーション(PAIS)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-10T05:56:53Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
  本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。 我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
  論文  参考訳（メタデータ） (2020-07-09T08:32:06Z)
• EHSOD: CAM-Guided End-to-end Hybrid-Supervised Object Detection with Cascade Refinement [53.69674636044927]
  本稿では,エンド・ツー・エンドのハイブリッド型オブジェクト検出システムであるEHSODについて述べる。 完全なアノテートと弱いアノテートの両方で、ワンショットでトレーニングすることができる。 完全なアノテートされたデータの30%しか持たない複数のオブジェクト検出ベンチマークで、同等の結果が得られる。
  論文  参考訳（メタデータ） (2020-02-18T08:04:58Z)

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。