🤖 machine learning

Privacy Without Losing Place: A Paradigm for Private Retrieval in Spatial RAGs

यह शोध पत्र प्राइवेसी एंकर सब्स्टीट्यूशन (PAS) प्रस्तुत करता है, जो स्थानिक RAG सिस्टम के लिए एक संरचित तंत्र है जो सापेक्ष एंकर एन्कोडिंग के माध्यम से उपयोगकर्ता के स्थान की गोपनीयता को सुरक्षित रखता है, और रिट्रीवल प्रदर्शन में मामूली गिरावट के बावजूद मजबूत डाउनस्ट्रीम जनरेशन गुणवत्ता बनाए रखते हुए महत्वपूर्ण प्रतिकूल त्रुटि (370-400 मीटर) प्राप्त करता है।

मूल लेखक: Kennedy Edemacu, Mohammad Mahdi Shokri, Vinay M. Shashidhar, Jong Wook Kim

प्रकाशित 2026-05-08

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kennedy Edemacu, Mohammad Mahdi Shokri, Vinay M. Shashidhar, Jong Wook Kim

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

एक बड़ी समस्या: स्थान का "कांच का घर"

कल्पना कीजिए कि आप एक स्मार्ट असिस्टेंट से पूछ रहे हैं, "मेरे घर के एक मील के भीतर सबसे अच्छा कॉफी शॉप कहाँ है?" इसका उत्तर देने के लिए, आपको आमतौर पर कंप्यूटर को अपने सटीक GPS निर्देशांक (coordinates) बताने पड़ते हैं।

अपने सटीक स्थान को एक कांच के घर में रहने की तरह समझें। भले ही आप केवल कॉफी की सिफारिश चाहते हों, सिस्टम आपके सटीक पते, आपके कार्यस्थल और आपकी दैनिक दिनचर्या को देख लेता है। यह एक जोखिम पैदा करता है: यदि वह डेटा लीक हो जाता है या उसका दुरुपयोग किया जाता है, तो अजनबी यह पता लगा सकते हैं कि आप कहाँ सोते हैं, कहाँ काम करते हैं या कहाँ पूजा करते हैं।

मौजूदा गोपनीयता उपकरण (privacy tools) इसे ठीक करने की कोशिश करते हैं, जैसे कि "शोर" (noise) जोड़कर (जैसे कि मानचित्र पर आपके स्थान को धुंधला करना)। लेकिन यह शोध पत्र तर्क देता है कि यह असिस्टेंट को अंधा करने जैसा है। यदि आप अपने स्थान को बहुत अधिक धुंधला कर देते हैं, तो असिस्टेंट को लग सकता है कि आप किसी दूसरे पड़ोस में हैं और वह आपको ऐसा कॉफी शॉप सुझा सकता है जो वास्तव में 10 मील दूर है। आपको गोपनीयता तो मिलती है, लेकिन आप एक अच्छा उत्तर पाने की क्षमता खो देते हैं।

समाधान: PAS (प्राइवेसी एंकर सब्स्टीट्यूशन - Privacy Anchor Substitution)

लेखकों ने एक नई विधि प्रस्तावित की है जिसे PAS कहा जाता है। आपके स्थान को धुंधला करने या आपका सटीक पता देने के बजाय, PAS इस बात को बदल देता है कि आप अपने स्थान का वर्णन कैसे करते हैं।

PAS को GPS निर्देशांक के बजाय लैंडमार्क (Landmarks) का उपयोग करके दिशा निर्देश देने के रूप में समझें।

यह कहने के बजाय कि, "मैं 40.7128° N, 74.0060° W पर हूँ," PAS सिस्टम को बताता है:

एंकर (Anchor): "मैं ग्रैंड सेंट्रल टर्मिनल के पास हूँ।" (एक सार्वजनिक, प्रसिद्ध लैंडमार्क)।
दिशा (Direction): "मैं टर्मिनल के सापेक्ष उत्तर-पूर्व (North-East) क्षेत्र में हूँ।"
दूरी (Distance): "मैं टर्मिनल के चारों ओर 0–1 मील के घेरे में हूँ।"

सिस्टम आपके सटीक घर को कभी नहीं देखता। उसे केवल इस "ट्रिप्लेट" (तीन जानकारियों के समूह) का पता चलता है। यह एक दोस्त को यह बताने जैसा है कि, "मैं पार्क में उस बड़े ओक के पेड़ के पास कहीं हूँ," बजाय इसके कि आप उन्हें अपना विशिष्ट बेंच नंबर दें।

यह कैसे काम करता है (द "सीक्रेट रेसिपी")

यह शोध पत्र इस सुरक्षित विवरण को बनाने की तीन-चरणीय प्रक्रिया का वर्णन करता है:

एक लैंडमार्क चुनें: सिस्टम बेतरतीब ढंग से एक सार्वजनिक लैंडमार्क (जैसे मेट्रो स्टेशन या प्रसिद्ध इमारत) चुनता है जो आपके पास हो। यह एक गणितीय नियम (जिसे एक्सपोनेंशियल मैकेनिज्म कहा जाता है) का उपयोग करता है ताकि यह सुनिश्चित हो सके कि यह आमतौर पर एक पास का लैंडमार्क चुने, लेकिन सुरक्षा बनाए रखने के लिए कभी-कभी थोड़ा दूर का भी चुन सके।
"फॉग ऑफ वॉर" (कोहरे का घेरा) बनाएं: एक बार लैंडमार्क चुने जाने के बाद, सिस्टम यह पता लगाता है कि आप पाई (pie) के किस "टुकड़े" (दिशा) और किस "घेरे" (दूरी) में हैं।
खोज (The Search): सिस्टम उन कॉफी शॉप्स को खोजता है जो इस विवरण में फिट बैठते हैं: "ग्रैंड सेंट्रल के पास, उत्तर-पूर्व, 0–1 मील की दूरी पर।"

परिणाम: गोपनीयता बनाम प्रदर्शन (Privacy vs. Performance)

शोधकर्ताओं ने एक नकली शहर के डेटासेट (न्यूयॉर्क सिटी का अनुकरण करते हुए) पर इस परीक्षण को किया कि क्या यह काम करता है।

गोपनीयता की जीत: सिस्टम ने सफलतापूर्वक उपयोगकर्ता के स्थान को छिपा दिया। यदि कोई हैकर उपयोगकर्ता के स्थान का अनुमान लगाने के लिए "ग्रैंड सेंट्रल" के सुराग का उपयोग करने की कोशिश करता, तो वे लगभग 370 से 400 मीटर (लगभग 4 से 5 फुटबॉल मैदानों के बराबर) की दूरी पर होते। यह यह कहने जैसा है कि, "आप इस पड़ोस में कहीं हैं," बजाय इसके कि "आप इस विशिष्ट घर पर हैं।"
प्रदर्शन का समझौता: क्योंकि सिस्टम को आपका सटीक स्थान नहीं पता होता, इसलिए यह कुछ बेहतरीन विकल्पों को छोड़ देता है। शोध पत्र ने पाया कि सिस्टम अभी भी सर्वोत्तम संभव उत्तरों में से लगभग 50% से 60% को ढूंढ लेता है जो सटीक स्थान जानने वाले सिस्टम की तुलना में मिलते।
AI का "जादू": यहाँ आश्चर्यजनक बात यह है। भले ही सिस्टम ने कम सटीक मिलान ढूंढे, लेकिन उपयोगकर्ता को दिया गया अंतिम उत्तर अभी भी बहुत अच्छा था। लार्ज लैंग्वेज मॉडल (असिस्टेंट का "दिमाग") इतना स्मार्ट था कि वह कॉफी शॉप्स की अपूर्ण सूची को देखकर भी सबसे अच्छा विकल्प चुन सका। यह एक शेफ की तरह है जो स्वादिष्ट भोजन बना सकता है भले ही उसके पास एक विशिष्ट सामग्री कम हो; वह बस जो उपलब्ध है उसका उपयोग करता है।

एक विचित्र तथ्य: "नॉन-मोनोटोनिक" (Non-Monotonic) आश्चर्य

इस शोध पत्र ने कुछ अजीब और दिलचस्प खोजा। आमतौर पर, गोपनीयता में, यदि आप अधिक सुरक्षा (अधिक शोर) जोड़ते हैं, तो सिस्टम कम सटीक हो जाता है।

हालाँकि, PAS के साथ, अधिक सुरक्षा जोड़ने से सिस्टम हमेशा एक सीधी रेखा में खराब नहीं हुआ। कभी-कभी, अधिक गोपनीयता जोड़ने से सिस्टम वास्तव में एक अप्रत्याशित तरीके से थोड़ा कम सटीक हो गया। लेखक बताते हैं कि यह उनके द्वारा उपयोग किए गए "ग्रिड" के कारण है। यदि आप नियमों को थोड़ा बदलते हैं, तो आप अनजाने में एक ऐसा लैंडमार्क चुन सकते हैं जो खोज क्षेत्र के लिए एक "खराब आकार" बनाता है, जिससे सिस्टम भ्रमित हो जाता है। यह एक चौकोर लकड़ी को गोल छेद में फिट करने की कोशिश करने जैसा है; कभी-कभी छेद का आकार इस बात से अधिक महत्वपूर्ण होता है कि आप कितनी जोर से धक्का दे रहे हैं।

सारांश

यह शोध पत्र एक तरीका पेश करता है जिससे आप अपना सटीक पता बताए बिना स्थान-आधारित प्रश्न पूछ सकते हैं।

पुराना तरीका: "यहाँ मेरा सटीक पता है।" (उच्च जोखिम, उच्च सटीकता)।
पुराना गोपनीयता तरीका: "यहाँ मेरा पता है, लेकिन मैंने इसमें शोर (noise) जोड़ा है।" (कम जोखिम, कम सटीकता)।
नया तरीका (PAS): "मैं [लैंडमार्क] के पास, [दिशा] दिशा में, [दूरी] के भीतर हूँ।" (अच्छी गोपनीयता, पर्याप्त सटीकता)।

मुख्य निष्कर्ष यह है कि आपको एक उपयोगी उत्तर पाने के लिए अपनी स्थान गोपनीयता का बलिदान करने की आवश्यकता नहीं है। अपने स्थान का वर्णन सटीक निर्देशांकों के बजाय सार्वजनिक लैंडमार्क के सापेक्ष करके, आप कॉफी शॉप के लिए एक अच्छी सिफारिश प्राप्त करते हुए भी अपने घर के पते को गुप्त रख सकते हैं।

तकनीकी सारांश: प्राइवेसी विदाउट लॉसिंग प्लेस (PAS)

समस्या विवरण (Problem Statement)

स्पेशियल रिट्रीवल-ऑगमेंटेड जनरेशन (Spatial RAG) के उदय ने लार्ज लैंग्वेज मॉडल्स (LLMs) को स्थान-जागरूक प्रश्नों (जैसे, "मेरे उत्तर में 1 मील के भीतर रेस्टोरेंट्स खोजें") का उत्तर देने में सक्षम बनाया है। हालाँकि, वर्तमान कार्यान्वयन के लिए उपयोगकर्ता के सटीक भौगोलिक निर्देशांकों (exact geographic coordinates) तक पहुँच की आवश्यकता होती है। यह एक महत्वपूर्ण गोपनीयता बाधा (privacy bottleneck) उत्पन्न करता है: रिट्रीवल सिस्टम्स को सटीक निर्देशांकों को उजागर करने से संवेदनशील जानकारी जैसे घर का पता, कार्यस्थल और दैनिक दिनचर्या लीक होने का जोखिम रहता है, जिससे निगरानी और प्रोफाइलिंग संभव हो सकती है।

मौजूदा स्थान गोपनीयता तंत्र—जैसे कि जियो-इंडिस्टिंगुइशेबिलिटी (निरंतर शोर जोड़ना), स्पेशियल क्लोकिंग, और $k$ -anonymity—Spatial RAG के लिए अनुपयुक्त हैं। वे अक्सर उपयोगिता-गोपनीयता द्वंद्व (utility-privacy dichotomy) से ग्रस्त होते हैं: या तो वे अत्यधिक शोर (noise) पेश करते हैं जो उपयोगकर्ता के स्थान को क्वेरी रेडियस से बाहर कर देता है (जिससे रिट्रीवल बेकार हो जाता है), या वे ट्राइएंगुलेशन के विरुद्ध पर्याप्त सुरक्षा प्रदान करने में विफल रहते हैं। इसके अलावा, ये विधियाँ RAG प्रश्नों की सिमेंटिक प्रकृति के अनुकूल नहीं हैं, जो अक्सर पूर्ण निर्देशांकों के बजाय सापेक्ष स्थानिक संबंधों (जैसे, "एक लैंडमार्क के पास") पर निर्भर करते हैं।

कार्यप्रणाली: प्राइवेसी एंकर सब्स्टीट्यूशन (PAS)

लेखक प्राइवेसी एंकर सब्स्टीट्यूशन (PAS) का प्रस्ताव करते हैं, जो एक संरचित तंत्र है जो सटीक निर्देशांकों को एक विविक्त (discrete), अर्थपूर्ण प्रतिनिधित्व से बदल देता है। PAS एक तीन-चरणीय रूपांतरण के माध्यम से कार्य करता है:

संभाव्य एंकर चयन (Probabilistic Anchor Selection): कच्चे स्थान $u$ को विक्षोभित (perturb) करने के बजाय, सिस्टम $u$ को ज्ञात लैंडमार्क्स (जैसे, ट्रांजिट हब, नागरिक केंद्र) के एक सीमित सेट से एक पब्लिक एंकर $a^*$ पर संभाव्य रूप से मैप करता है। यह चयन एक्सपोनेंशियल मैकेनिज्म (Exponential Mechanism) का उपयोग करता है ताकि डिफरेंशियल प्राइवेसी गारंटी सुनिश्चित की जा सके:
$\Pr(a^* | u) \propto \exp\left(-\frac{\epsilon d(u, a^*)}{s}\right)$
जहाँ $d(u, a^*)$ उपयोगकर्ता और एंकर के बीच की दूरी है, $\epsilon$ प्राइवेसी पैरामीटर है, और $s$ एक स्केलिंग फैक्टर है।
कोर्स सिमेंटिक एनकोडिंग (Coarse Semantic Encoding): एक बार $a^*$ का चयन हो जाने के बाद, सिस्टम वास्तविक स्थान $u$ और एंकर $a^*$ के बीच के स्थानिक संबंध को दो विविक्त बिन (bins) में एनकोड करता है:
- डायरेक्शन बिन ( $B^*_\theta$ ): दिशा का एक सेक्टर (जैसे, 8-वे पार्टीशन)।
- डिस्टेंस बिन ( $B^*_r$ ): दूरी का एक विविक्त रिंग (जैसे, 0–500 मीटर, 500–2000 मीटर)।
हाइब्रिड रिट्रीवल (Hybrid Retrieval): रिट्रीवल सिस्टम निर्देशांकों के बजाय एक ट्रिपलेट $z = (a^*, B^*_\theta, B^*_r)$ प्राप्त करता है। रिट्रीवल प्रक्रिया उपयोगकर्ता के स्थान को एक अनिश्चितता क्षेत्र (uncertainty region) $U(z)$ के रूप में मानती है, जो एंकर और बिन द्वारा परिभाषित है।
- स्पेशियल स्कोरिंग: रुचि के बिंदुओं (POIs) को रिट्रीव करने के लिए, सिस्टम मोंटे कार्लो एप्रोक्सिमेशन (Monte Carlo approximation) का उपयोग करके $U(z)$ के भीतर $K$ लेटेंट (latent) उपयोगकर्ता स्थानों का नमूना लेकर यह अनुमान लगाता है कि एक POI क्वेरी बाधाओं को संतुष्ट करने की कितनी संभावना रखता है।
- हाइब्रिड रैंकिंग: अंतिम स्कोर डेंस वेक्टर रिट्रीवल (सिमेंटिक प्रासंगिकता) और मोंटे कार्लो एप्रोक्सिमेशन (स्थानिक प्रासंगिकता) को एक भारित योग (weighted sum) का उपयोग करके जोड़ता है।

मुख्य योगदान (Key Contributions)

Spatial RAG के लिए पहला प्राइवेसी तंत्र: यह कार्य विशेष रूप से Spatial RAG प्रतिमान के भीतर स्थान गोपनीयता को संबोधित करने का पहला प्रयास है, जो जेनेरिक जियो-इंडिस्टिंगुइशेबिलिटी से आगे बढ़ता है।
संरचित गोपनीयता प्रतिनिधित्व: PAS एक नवीन "एंकर-रिलेटिव" एनकोडिंग पेश करता है जो कॉर्पस इंडेक्सिंग रणनीतियों के साथ संरेखित है। अपने शोर को अर्थपूर्ण स्थानों पर केंद्रित करके, यह निरंतर शोर तंत्रों द्वारा उत्पन्न अवास्तविक, अनुपयोगी बिंदुओं को रोकता है।
औपचारिक गोपनीयता गारंटी: यह तंत्र सार्वजनिक एंकरों के सेट पर $\epsilon$ -geo-DP (जियो-इंडिस्टिंगगुइशेबिलिटी) को संतुष्ट करता है, जो एक कोर्स लेकिन प्रमाणित सुरक्षा गारंटी प्रदान करता है।
नॉन-मोनोटोनिसिटी का अनुभवजन्य विश्लेषण: पेपर इस बात का अनुभवजन्य प्रमाण प्रदान करता है कि PAS में नॉन-मोनोटोनिक प्राइवेसी-यूटिलिटी संबंध प्रदर्शित होता है। निरंतर शोर तंत्रों के विपरीत, जहाँ गोपनीयता बढ़ाने ( $\epsilon$ कम करने) से उपयोगिता लगातार घटती है, PAS दिखाता है कि $\epsilon$ बढ़ाने से हमेशा रैखिक रूप से उपयोगिता में सुधार नहीं होता है क्योंकि इसमें एंकर डिस्क्रीटाइजेशन के कारण ज्यामितीय पूर्वाग्रह (geometric biases) होते हैं।

प्रयोगात्मक परिणाम (Experimental Results)

लेखकों ने न्यूयॉर्क शहर पर आधारित एक सिंथेटिक शहरी डेटासेट पर PAS का मूल्यांकन किया, जिसमें 1,010 POIs और 423 क्वेरीज़ शामिल थीं, और विभिन्न रिट्रीवर्स (MiniLM, bge-base) और जनरेटर्स (Meta-Llama-3.3-70B, Gemma-3, GPT-oss) का उपयोग किया गया।

प्राइवेसी प्रदर्शन: PAS मजबूत स्थान अस्पष्टता (location obfuscation) प्राप्त करता है, जिसके परिणामस्वरूप लगभग 370–400 मीटर का एडवर्सरियल लोकलाइजेशन एरर (ALE) होता है, जो प्रभावी रूप से उपयोगकर्ता के स्थान को पड़ोस के स्तर तक छिपा देता है।
रिट्रीवल उपयोगिता: जबकि गोपनीयता प्राप्त की गई है, इसकी एक मापने योग्य लागत है। रिट्रीवल प्रदर्शन (Recall@k और nDCG@k) नॉन-प्राइवेट बेसलाइन के लगभग 50–60% तक गिर जाता है। हालांकि, गिरावट क्रमिक है न कि विनाशकारी, और सिस्टम प्रासंगिक दस्तावेजों के सापेक्ष क्रम को बनाए रखता है।
जेनरेशन क्वालिटी: महत्वपूर्ण रूप से, जेनरेशन क्वालिटी मजबूत बनी रहती है। रिट्रीवल प्रिसिजन में गिरावट के बावजूद, F1 स्कोर और साइटेशन करेक्टनेस (Citation Correctness) बेसलाइन के समान ही रहते हैं। कुछ कॉन्फ़िगरेशन में, F1 स्कोर में थोड़ा सुधार भी हुआ, जो बताता है कि PAS में "शोर" एक रेगुलराइज़र के रूप में कार्य कर सकता है, जो सटीक स्थानिक संकेतों पर ओवरफिटिंग को रोकता है और सिमेंटिक संकेतों पर निर्भरता बढ़ाता है।
मॉडल मजबूती: बड़े इंस्ट्रक्शन-ट्यून्ड मॉडल्स (जैसे, Llama-3.3-70B) ने छोटे मॉडल्स की तुलना में अपूर्ण स्थानिक रिट्रीवल की भरपाई करने की बेहतर क्षमता प्रदर्शित की।

महत्व और दावे (Significance and Claims)

पेपर का दावा है कि संरचित स्थानिक प्रतिनिधित्व (structured spatial representations) स्थान-आधारित तर्क में गोपनीयता के लिए एक व्यावहारिक मार्ग प्रदान करते हैं। मुख्य अंतर्दृष्टि यह है कि RAG सिस्टम में रिट्रीवल के लिए सटीक निर्देशांकों की सख्त आवश्यकता नहीं होती है, बल्कि सिमेंटिक निकटता की आवश्यकता होती है। एंकर-आधारित सब्स्टीट्यूशन के माध्यम से उपयोगकर्ता के सटीक स्थान को क्वेरी से अलग करके, PAS निम्नलिखित को सक्षम बनाता है:

कोर्स प्रूवेबल सिक्योरिटी: निरंतर शोर इंजेक्शन के साथ जुड़ी उपयोगिता हानि के बिना औपचारिक गोपनीयता गारंटी प्राप्त करना।
व्यावहारिक व्यवहार्यता: पर्यटन गाइड और आपातकालीन प्रतिक्रिया प्रणाली जैसे वास्तविक दुनिया के अनुप्रयोगों का समर्थन करने के लिए पर्याप्त रिट्रीवल सिग्नल (50% से अधिक प्रतिधारण) और स्थिर जेनरेशन गुणवत्ता बनाए रखना।
प्रतिमान परिवर्तन (Paradigm Shift): शोर के माध्यम से स्थान को "छिपाने" के बजाय, सिमेंटिक एंकर्स के माध्यम से स्थान को "एब्स्ट्रैक्ट" करने की ओर बढ़ना, जो कि LLMs द्वारा स्थान के बारे में तर्क करने के तरीके के साथ बेहतर ढंग से संरेखित है।

लेखक सीमाओं को स्वीकार करते हैं, जिनमें एंकर डिस्क्रीटाइजेशन से उत्पन्न ज्यामितीय पूर्वाग्रह, मोंटे कार्लो सैंपलिंग का कम्प्यूटेशनल ओवरहेड, और सिंथेटिक डेटा पर निर्भरता शामिल है। हालांकि, वे निष्कर्ष निकालते हैं कि PAS उन आवश्यक तत्वों को प्रदान करता है जिनसे गोपनीयता-संरक्षित Spatial RAG सिस्टम बनाए जा सकते हैं जहाँ मजबूत गोपनीयता गारंटी कार्यात्मक डाउनस्ट्रीम कार्यों के साथ सह-अस्तित्व में रह सकती है।