論文の概要: Contextual Candour: Role-Aware Graduated Disclosure for LLMs over Mixed-Sensitivity Contexts

• arxiv url: http://arxiv.org/abs/2610.28067v1
• Date: Tue, 20 Oct 2026 11:50:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.794003
• Title: Contextual Candour: Role-Aware Graduated Disclosure for LLMs over Mixed-Sensitivity Contexts
• Title（参考訳）: コンテキストキャンドル: 混合感性文脈上でのLLMのロール・アウェア・大学院公開
• Abstract要約: LLMは混合感度のコンテキスト上で動作し、公開から機密まで多岐にわたる情報を推論する必要がある。 本稿では,モデルの応答における詳細度と感度のレベルを,ユーザの承認に応じて調整するアクセス制御式である,段階的情報開示を導入する。 企業および臨床ベンチマークに対する我々のアプローチを評価し、それをプロンプトベース、ゲーティング、教師付きベースラインと比較する。
• 参考スコア（独自算出の注目度）: 4.132410100662295
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLMs increasingly operate over mixed-sensitivity contexts, where they must reason over information ranging from public to confidential while disclosing only what the user is authorised to receive. Existing approaches enforce access control as a binary decision: either fully answering or refusing, without regulating how much or what kind of information is revealed if access is granted, leading to over-refusal or unintended leakage. We introduce graduated disclosure, an access-control formulation in which the level of detail and sensitivity in a model's response is calibrated to the user's authorisation rather than treated as a grant-or-deny decision. We model graduated disclosure as a disclosure-aware generation problem and propose a reward-based optimisation framework that shapes responses toward level-appropriate abstractions while penalising unauthorised factual leakage, including paraphrases and approximations. We evaluate our approach on enterprise and clinical benchmarks and compare it with prompt-based, gating, and supervised baselines. Experiments show that our method substantially reduces information leakage while preserving correctness and utility. These results suggest that disclosure control must be integrated into the generation process itself to enable secure yet useful LLM deployments.
• Abstract（参考訳）: LLMは、ユーザが受信した情報のみを公開しながら、公開から機密までの情報について推論しなくてはならない、混合感度のコンテキストで運用されるようになっている。 既存のアプローチでは、アクセスが許可された場合、どの程度の情報が開示されたかを規定することなく、完全に回答するか、拒否するかのどちらかを二項決定としてアクセス制御を強制する。 本稿では,モデルの応答における詳細度と感度のレベルを,承認または否認の判断として扱われるのではなく,ユーザの承認に校正するアクセス制御の定式化である,上述の開示を導入する。 本稿では,開示情報生成問題として公開情報公開をモデル化し,パラフレーズや近似を含む不正な事実漏洩を回避しつつ,レベルの適切な抽象化に対する応答を形作る報奨に基づく最適化フレームワークを提案する。 企業および臨床ベンチマークに対する我々のアプローチを評価し、それをプロンプトベース、ゲーティング、教師付きベースラインと比較する。 実験の結果,本手法は精度と有用性を保ちながら情報漏洩を大幅に低減することがわかった。 これらの結果は、開示制御を生成プロセス自体に統合して、セキュアで有用なLLMデプロイメントを実現する必要があることを示唆している。

関連論文リスト

• CLAIM: Leading Open-domain Active Clarification of Large Language Models with Uncertainty Measurement [50.91045324738942]
  CLAIMは、オープンドメイン環境でのアクティブな明確化学習のための不確実性駆動フレームワークである。 本研究では,不確実性推定とセマンティッククラスタリングと推論に基づく判断を統合したエントロピー駆動型合成データ生成パイプラインを提案する。 実験の結果,手動でラベル付けしたデータに頼ることなく,CLAIMが安定かつ一般化可能な明確化戦略を学習できることが確認された。
  論文  参考訳（メタデータ） (2026-08-12T04:27:45Z)
• One More Turn, Less Regret: A Regret-Based Multi-Turn Benchmark for LLMs' Clarification Policies [49.067670811577045]
  本稿では,孤立した質問品質ではなく,政策行動として明確化を評価するベンチマークであるRegretBenchを紹介する。 RegretBenchは、意図的な解決、相互作用コスト、非効率な明確化、後悔を計測する。 以上の結果から,有効な明確化には有望な質問以上のものが必要であることが示唆された。
  論文  参考訳（メタデータ） (2026-07-23T10:22:11Z)
• Interpretable Uncertainty for Adaptive Retrieval and Reasoning in Question Answering [11.42036728689981]
  大規模言語モデル(LLM)は質問応答(QA)において高いパフォーマンスを達成するが、幻覚に苦しむ傾向にあり、透明性が制限されている。 LLMの内部表現から派生した明示的な信号に基づく適応型QAのための不確実性認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-08T13:12:39Z)
• Phantoms and Disclosures: a Causal Framework for Auditing Synthetic Data [56.86147283213652]
  データ開示の検出と説明を目的とした,カスタマイズ可能な実証監査フレームワークを提案する。 本フレームワークでは,ユーザの情報を直接再現する「真の開示」と,ユーザのデータを偶発的に生成する「幻の開示」とを区別する機構を導入する。
  論文  参考訳（メタデータ） (2026-06-15T16:54:02Z)
• It Takes Two: Complementary Self-Distillation for Contextual Integrity in LLMs [73.46918128880786]
  タスク解決から情報抑制を分離する自己蒸留フレームワーク。 タスク解決から情報抑制を分離する自己蒸留フレームワーク。
  論文  参考訳（メタデータ） (2026-05-18T13:57:44Z)
• 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)
• Beyond Verification: Abductive Explanations for Post-AI Assessment of Privacy Leakage [4.6453787256723365]
  帰納的説明を用いてプライバシー漏洩を監査するための形式的枠組みを提案する。 我々のフレームワークは個人レベルのリークとシステムレベルのリークの両方を形式化する。 このアプローチは、人間の理解可能な説明を生み出しながら、厳格なプライバシー保証を提供する。
  論文  参考訳（メタデータ） (2025-11-13T13:14:24Z)
• Scalable and Robust LLM Unlearning by Correcting Responses with Retrieved Exclusions [49.55618517046225]
  Webスケールのコーパスリスクを記憶し、センシティブな情報を暴露する言語モデル。 本稿では,新しいアンラーニングフレームワークであるCorrective Unlearning with Retrieved Exclusions (CURE)を提案する。 CUREは、リークのモデル出力を確認し、安全な応答に修正する。
  論文  参考訳（メタデータ） (2025-09-30T09:07:45Z)
• Beyond Jailbreaking: Auditing Contextual Privacy in LLM Agents [43.303548143175256]
  本研究では,リスクに対するエージェントの感受性を定量的に評価する,会話プライバシのための監査フレームワークを提案する。 CMPL(Conversational Manipulation for Privacy Leakage)フレームワークは、厳格なプライバシー命令を強制するエージェントをストレステストするために設計されている。
  論文  参考訳（メタデータ） (2025-06-11T20:47:37Z)

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。