論文の概要: Profile-DP: Differential Privacy for User-Controlled Profile Release in Personalized LLM Inference

• arxiv url: http://arxiv.org/abs/2610.27213v1
• Date: Mon, 19 Oct 2026 19:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.485959
• Title: Profile-DP: Differential Privacy for User-Controlled Profile Release in Personalized LLM Inference
• Title（参考訳）: Profile-DP:パーソナライズされたLLM推論におけるユーザ制御プロファイルリリースのための微分プライバシー
• Abstract要約: Profile-DPは、パーソナライズされた推論 LLM において、ユーザが注目するリリースのためのポリシー対応のローカル差分プライバシーフレームワークである。 DP-SLOTは保護された属性を独立に摂動し、DP-BLOCKは公開意味決定を用いてそれらのリリースを調整し、関連する属性を共同でサンプリングする。
• 参考スコア（独自算出の注目度）: 27.799630549925435
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Personalized large language models (LLMs) increasingly rely on profile-conditioned inference, pairing public requests with rich, user-specific facts. This paradigm exposes the user profile itself, together with the user's explicit sharing preferences. We introduce Profile-DP, a policy-aware local differential privacy framework designed specifically for user-profile release in personalized LLM inference. Profile-DP provably bounds the release of user-withheld facts while treating public instructions, profile schemas, and authorized facts as public side information. By generating a privatized profile that composes with the public instruction prior to answer generation, our framework decouples formal privacy guarantees from downstream model behavior. We develop two finite-domain mechanisms satisfying Profile-DP: DP-SLOT independently perturbs protected attributes, while DP-BLOCK uses public semantic decisions to coordinate their release and jointly sample related attributes. A positive, public compatibility prior connects these attributes while preserving a profile-level privacy bound. On PEEP, DP-BLOCK leads the utility composite among DP methods at all 13 structured budgets and is closest to the ideal privacy--utility point in 18 of 26 format--budget settings under our composite weighting. Direct measurements reveal complementary strengths: DP-BLOCK discloses less, while DP-SLOT retains more authorized facts. These results make policy-aware profile release a practical basis for studying privacy and personalization.
• Abstract（参考訳）: パーソナライズされた大規模言語モデル(LLM)は、プロファイル条件付き推論にますます依存し、公開要求とリッチでユーザ固有の事実をペアリングしている。 このパラダイムは、ユーザの明示的な共有好みとともに、ユーザプロファイル自体を公開する。 パーソナライズされたLCM推論において,ユーザが注目するリリースに特化して設計されたポリシ対応のローカル差分プライバシーフレームワークであるProfile-DPを紹介する。 Profile-DPは、公開命令、プロファイルスキーマ、承認された事実を公開サイド情報として扱いながら、ユーザによって保持された事実のリリースを確実に制限する。 プライバタイズされたプロファイルを生成して、応答生成前に公開命令を構成することにより、下流モデル行動から正式なプライバシ保証を分離する。 DP-SLOTは保護された属性を独立に摂動し、DP-BLOCKは公開意味決定を用いてそれらのリリースを調整し、関連する属性を共同でサンプリングする。 肯定的な公開互換性は、プロファイルレベルのプライバシ境界を維持しながら、これらの属性を接続する。 PEEPでは,DP-BLOCKが13の予算でDPメソッド間のユーティリティ・コンポジットをリードし,26のフォーマットのうち18の理想的なプライバシ・ユーティリティ・ポイントに最も近い。 DP-BLOCKは開示を減らし、DP-SLOTはより認証された事実を保持する。 これらの結果は、プライバシとパーソナライゼーションを研究するための実践的な基盤としてポリシー対応プロファイルをリリースする。

関連論文リスト

• A General Framework for Per-record Differential Privacy [10.959311645622632]
  記録ごとの差分プライバシー(PrDP)は、各レコードの機能としてプライバシー予算を定義することでこの問題に対処する。 既存のソリューションは特定のプライバシ機能を扱うか、緩和されたPrDP定義を採用する。 本稿では,任意の標準DP機構がPrDPをサポート可能な,汎用的で実用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-24T11:44:10Z)
• Machine Learning with Privacy for Protected Attributes [56.44253915927481]
  差分プライバシー(DP)の定義を洗練し、機能差分プライバシー(FDP)と呼ばれるより汎用的で柔軟なフレームワークを作成する。 私たちの定義はシミュレーションに基づいており、プライバシの追加/削除と置き換えの両方が可能で、保護された機能と非保護された機能の任意の分離を処理できます。 各種機械学習タスクにフレームワークを適用し,パブリック機能が利用可能であればDP学習モデルの実用性を大幅に向上させることができることを示す。
  論文  参考訳（メタデータ） (2025-06-24T17:53:28Z)
• Enhancing Feature-Specific Data Protection via Bayesian Coordinate Differential Privacy [55.357715095623554]
  ローカル微分プライバシー(LDP)は、ユーザーが外部の関係者を信頼することなく、強力なプライバシー保証を提供する。 本稿では,ベイジアン・フレームワークであるベイジアン・コーディネート・ディファレンシャル・プライバシ(BCDP)を提案する。
  論文  参考訳（メタデータ） (2024-10-24T03:39:55Z)
• Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning [62.224804688233]
  差分プライバシ(DP)は、モデルが特定のプライバシユニットで「ほとんど区別できない」ことを保証することで、有望なソリューションを提供する。 ユーザ間でのプライバシー保護の確保に必要なアプリケーションによって動機づけられたユーザレベルのDPについて検討する。
  論文  参考訳（メタデータ） (2024-06-20T13:54:32Z)
• Differentially Private Regret Minimization in Episodic Markov Decision Processes [6.396288020763144]
  差分プライバシー(DP)制約下における有限地平線表型マルコフ決定過程(MDP)の後悔について検討する。 これは、実世界の逐次意思決定問題における強化学習(RL)の広範な応用が動機となっている。
  論文  参考訳（メタデータ） (2021-12-20T15:12:23Z)
• Private Reinforcement Learning with PAC and Regret Guarantees [69.4202374491817]
  エピソード強化学習(RL)のためのプライバシー保護探索ポリシーを設計する。 まず、共同微分プライバシー(JDP)の概念を用いた有意義なプライバシー定式化を提供する。 そこで我々は,強いPACと後悔境界を同時に達成し,JDP保証を享受する,プライベートな楽観主義に基づく学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-09-18T20:18:35Z)

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。