論文の概要: Veil-Then-Reveal: Protecting PII Privacy via Reversible Pseudo-Anonymization in Zero-Trust User--LLM Interaction
- arxiv url: http://arxiv.org/abs/2610.22800v1
- Date: Fri, 16 Oct 2026 01:24:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.72663
- Title: Veil-Then-Reveal: Protecting PII Privacy via Reversible Pseudo-Anonymization in Zero-Trust User--LLM Interaction
- Title（参考訳）: Veil-Then-Reveal:Reversible Pseudo- Anonymization in Zero-Trust User--LLM Interaction
- Abstract要約: プライバシー保護のためのPII擬匿名化フレームワークであるVeil-then-Reveal(VtR)を提案する。
VtRはリモートLLMプロバイダを信頼できないものとして扱い、擬似匿名のプロンプトのみを送信する。
これは、電話やクレジットカード番号などの構造化PIIのフォーマット保存暗号化(FPE)と、キー付きハッシュ辞書と、名前、場所、組織などのセマンティックPIIのセキュアなヴォールトを組み合わせたものである。
- 参考スコア（独自算出の注目度）: 0.42002694720640044
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Large language models (LLMs) increasingly process sensitive documents and personal information, yet sending prompts containing personally identifiable information (PII) to remote providers exposes data subjects and organizations to risks from logging, retention, model training, and unintended disclosure. Existing anonymization methods often mask or remove PII, while conventional encryption eliminates the lexical and structural cues needed for effective LLM processing. We present Veil-then-Reveal (VtR), a user-side PII pseudo-anonymization framework for privacy-preserving LLM interaction under a zero-trust threat model. VtR treats remote LLM providers as untrusted and sends only pseudo-anonymized prompts, keeping plaintext PII on the user. VtR first detects PII and replaces it with realistic, same-type, in-vocabulary surrogates before prompts leave the user's device, preserving their linguistic and structural properties. It combines format-preserving encryption (FPE) for structured PII, such as phone and credit-card numbers, with a keyed-hash dictionary and secure vault for semantic PII, such as names, locations, and organizations. Session-specific mappings provide cross-session unlinkability, while user-side restoration reversibly replaces surrogates with their original values in LLM responses. We further introduce a rank-class FPE strategy for dates that preserves format and ambiguity while reducing cipher evaluations. Evaluation on three datasets containing 11,322 annotated PII instances achieves 97.9% detection recall, 95.2% protection of detected values, and 99.9% round trip; 100% of echoed surrogates end-to-end round-trip restoration.
- Abstract（参考訳）: 大規模言語モデル(LLM)は、機密文書や個人情報をますます処理するが、個人識別可能な情報(PII)を含むプロンプトをリモートプロバイダに送信し、ログ、保持、モデルトレーニング、意図しない開示のリスクをデータ対象や組織に公開する。
既存の匿名化手法はしばしばPIIを隠蔽または除去するが、従来の暗号化ではLLM処理に必要とされる語彙的および構造的手がかりを排除している。
ゼロトラスト脅威モデルに基づくプライバシー保護LDMインタラクションのためのユーザ側PII擬匿名化フレームワークであるVeil-then-Reveal(VtR)を提案する。
VtRはリモートLLMプロバイダを信頼できないものとして扱い、疑似匿名のプロンプトのみを送り、平文PIIをユーザに保持する。
VtRはまずPIIを検知し、それを現実的で同型の語彙内サロゲートに置き換える。
これは、電話やクレジットカード番号などの構造化PIIのフォーマット保存暗号化(FPE)と、キー付きハッシュ辞書と、名前、場所、組織などのセマンティックPIIのセキュアなヴォールトを組み合わせたものである。
セッション固有のマッピングは、セッション間の非リンク性を提供するが、ユーザ側の復元は、LSM応答でサロゲートを元の値に置き換える。
さらに,暗号評価を低減しつつ,形式やあいまいさを保ちつつ,日付のランククラスFPE戦略を導入する。
11,322の注釈付きPIIインスタンスを含む3つのデータセットの評価は、97.9%の検知リコール、95.2%の検出値の保護、99.9%のラウンドトリップを実現している。
関連論文リスト
- SurrogateShield: Beyond Redaction for High-Utility, Privacy-Preserving LLM Interactions [0.0]
プレースホルダーのリアクションは、意味的コヒーレンスを犠牲にしてPIIを抑制する。
本稿では,検出されたPIIを局所的に生成した型一貫性のサロゲート値に置換するクライアントサイドプロキシであるSurrogateShieldを提案する。
実際のPIIがネットワーク境界を越えることはない。
論文 参考訳（メタデータ） (2026-06-28T19:14:16Z) - LLM Anonymization Against Agentic Re-Identification [7.3275169762993215]
AURA (textbf Anonymization with textbfUtility-textbfRetention textbfAdaptation) は LLM ベースのtextitmask-reconstruct フレームワークである。
我々は,Web検索エージェントが行った再識別攻撃と,インタビュアーの注目する事実,コードブックの事実,および共同コンテキストのユーティリティグリッドに基づく実用性評価を用いて,実際のユーザインタビューテキスト上でのAURAを評価する。
論文 参考訳（メタデータ） (2026-05-29T05:12:39Z) - Anonymous-by-Construction: An LLM-Driven Framework for Privacy-Preserving Text [0.42821598129654453]
テキストを匿名化するLLM駆動置換パイプラインをオンプレミスで開発する。
プライバシー、セマンティックユーティリティ、およびプライバシー下でのトレーサビリティを測定します。
提案手法は,最先端のプライバシ,トピックドリフトの最小化,実効性の向上,トレーニング可能性の低下を実現する。
論文 参考訳（メタデータ） (2026-03-17T23:46:15Z) - 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) - Semantically-Aware LLM Agent to Enhance Privacy in Conversational AI Services [0.0]
遠隔Large Language Models (LLM) を用いた場合, センシティブなPIIデータを保護するためのセマンティック・アウェア・プライバシ・エージェントを提案する。
応答品質を劣化させるような以前の作業とは異なり、我々のアプローチはユーザプロンプトのセンシティブなPIIエンティティを意味的に一貫した名前で動的に置き換える。
この結果から,LOPSIDEDは基本手法と比較して意味的ユーティリティエラーを5倍に削減できることがわかった。
論文 参考訳（メタデータ） (2025-10-30T21:34:23Z) - VoxGuard: Evaluating User and Attribute Privacy in Speech via Membership Inference Attacks [51.68795949691009]
差分プライバシとメンバシップ推論に基づくフレームワークであるVoxGuardを紹介した。
属性については, 匿名化後も, 性別やアクセントをほぼ完全精度で再現できることが示唆された。
以上の結果から,EERはリークを著しく過小評価し,低FPR評価の必要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-09-22T20:57:48Z) - The Double-edged Sword of LLM-based Data Reconstruction: Understanding and Mitigating Contextual Vulnerability in Word-level Differential Privacy Text Sanitization [53.51921540246166]
我々は,言語大モデル (LLM) がDP対応テキストの文脈的脆弱性を活用可能であることを示す。
LLM再建の二重刃剣効果がプライバシーと実用性に与える影響を実験的に明らかにした。
本稿では,データ再構成を後処理のステップとして使用するための推奨事項を提案する。
論文 参考訳（メタデータ） (2025-08-26T12:22:45Z) - 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) - Robust Utility-Preserving Text Anonymization Based on Large Language Models [80.5266278002083]
機密情報を含む匿名化は、幅広いアプリケーションにとって不可欠である。
既存の技術は、大規模言語モデルの再識別能力の新たな課題に直面している。
本稿では,プライバシ評価器,ユーティリティ評価器,最適化コンポーネントの3つの重要なコンポーネントで構成されるフレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-16T14:28:56Z)
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。