तकनीकी सारांश: AURA (उपयोगिता-प्रतिधारण अनुकूलन के साथ अनामीकरण - Anonymization with Utility-Retention Adaptation)

समस्या विवरण (Problem Statement)

वेब खोज क्षमताओं से लैस एजेंटिक लार्ज लैंग्वेज मॉडल्स (LLMs) के तेजी से बढ़ते उपयोग ने टेक्स्ट अनामीकरण (text anonymization) के लिए थ्रेट मॉडल को मौलिक रूप से बदल दिया है। पारंपरिक खतरों के विपरीत जो स्पष्ट पहचानकर्ताओं (जैसे नाम, ईमेल) पर केंद्रित होते हैं, आधुनिक एजेंटिक सिस्टम सार्वजनिक वेब साक्ष्यों के साथ विशिष्ट संदर्भ संकेतों (जैसे विशिष्ट शोध विषय, विशिष्ट टूल स्टैक, या अद्वितीय प्रोजेक्ट विवरण) को क्रॉस-रेफरेंस करके पहचान का अनुमान लगा सकते हैं। यह एक संरचनात्मक तनाव पैदा करता है: वही प्रासंगिक विवरण जो गुणात्मक अनुसंधान (qualitative research) के लिए उच्च डाउनस्ट्रीम विश्लेषणात्मक मूल्य रखते हैं, वे सटीक रूप से वे संकेत हैं जो पुन: पहचान (re-identification) को सक्षम करते हैं।

मौजूदा बचाव तंत्र इस विशिष्ट खतरे के परिदृश्य के लिए अपर्याप्त हैं। ह्यूरिस्टिक नेम एंटिटी रिकग्निशन (NER) उपकरण (जैसे Microsoft Presidio) प्रासंगिक अर्ध-पहचानकर्ताओं (quasi-identifiers) का पता लगाने में विफल रहते हैं। औपचारिक गोपनीयता ढांचे जैसे डिफरेंशियल प्राइवेसी (DP) अक्सर टोकन-स्तरीय व्यवधान (perturbation) के माध्यम से टेक्स्ट की सुसंगतता और विश्लेषणात्मक मूल्य को कम कर देते हैं। पूर्ववर्ती LLM-आधारित अनामीकरण विधियां अक्सर गोपनीयता और उपयोगिता को एक एकल अनुकूलन समस्या के रूप में मानती हैं या गैर-एजेंटिक अनुमान मॉडलों पर निर्भर करती हैं, जिससे एजेंटिक वेब-सर्च पुन: पहचान के प्रति प्रतिरोध और उपयोगिता प्रतिधारण के बीच के ऑपरेटिंग क्षेत्र को अनछुआ छोड़ दिया जाता है।

कार्यप्रणाली: AURA फ्रेमवर्क (Methodology: AURA Framework)

लेखक AURA (Anonymization with Utility-Retention Adaptation) पेश करते हैं, जो एक LLM-संचालित मास्क-पुनर्निर्माण (mask-reconstruct) फ्रेमवर्क है जिसे गोपनीयता स्थानीयकरण (privacy localization) को उपयोगिता-संरक्षण पुनर्निर्माण से अलग करने के लिए डिज़ाइन किया गया है। यह पाइपलाइन तीन चरणों में संचालित होती है:

चरण 0: इनिशियलाइजेशन (Initialization)

AURA विशिष्ट ट्रांसक्रिप्ट के लिए एक प्राइवेसी स्कोप (privacy scope) और एक यूटिलिटी प्रोफाइल (utility profile) को इनिशियलाइज़ करता है।

• अनुकूली गोपनीयता स्कोप (Adaptive Privacy Scope): वेब सर्च के साथ एक LLM का उपयोग करते हुए, सिस्टम न केवल आठ आधार गुणों (आयु, लिंग, स्थान, आदि) का अनुमान लगाता है, बल्कि ट्रांसक्रिप्ट-विशिष्ट अर्ध-पहचानकर्ताओं (जैसे विशिष्ट शोध पाइपलाइन, टूल स्टैक, संस्थागत सुराग) का भी अनुमान लगाता है जो पुन: पहचान का समर्थन कर सकते हैं।
• उपयोगिता प्रोफाइलिंग (Utility Profiling): सिस्टम आठ आयामों (विषयगत सामग्री, अनुभवात्मक वृत्तांत, भावनात्मक अभिव्यक्ति, तर्क, व्यवहार संबंधी पैटर्न, संबंध संबंधी गतिशीलता, टेम्पोरल स्ट्रक्चर और डोमेन ज्ञान) में शोध-मूल्यवान सामग्री का सारांश प्रस्तुत करने वाला एक "इनसाइट प्रोफाइल" निकालता है।

चरण 1: मास्किंग कन्वर्जेंस (Masking Convergence)

यह चरण पूरे टेक्स्ट को तुरंत पुनर्गठित किए बिना संवेदनशील स्पैन (spans) को स्थानीयकृत करता है।

• सिस्टम अनुमानित गुणों को दबाने के लिए ट्रांसक्रिप्ट को पुनरावर्ती रूप से (iteratively) फिर से लिखता है, फिर मूल टेक्स्ट के साथ पुनर्गठित टेक्स्ट का अंतर (diff) निकालता है।
• यह प्रक्रिया एक मास्क्ड टेम्पलेट ($\hat{T}$) पर अभिसरित (converge) होती है जिसमें संवेदनशील स्पैन के लिए प्लेसहोल्डर्स (जैसे [MASK_i]) और मूल टेक्स्ट से जुड़े एक मास्क मैप (mask map) शामिल होते हैं।
• इसका लक्ष्य यह पहचानना है कि वर्तमान गोपनीयता स्कोप के तहत कौन से स्पैन जोखिम भरे हैं, जिससे एक "प्राइवेसी-रिस्क मैप" तैयार होता है।

चरण 2: पुनर्निर्माण, मूल्यांकन और चयन (Reconstruct, Evaluate, and Select)

एक एकल पुनलेखन के बजाय, AURA इष्टतम पुनर्निर्माण उत्पन्न करता है और चुनता है।

• पुनर्निर्माण (Reconstruction): एक LLM केवल मास्क किए गए स्पैन के लिए $N$ उम्मीदवार प्रतिस्थापन डिक्शनरी (candidate replacement dictionaries) उत्पन्न करता है, जो उपयोगिता बनाए रखने के लिए इनसाइट प्रोफाइल द्वारा निर्देशित होते हैं और पुन: पहचान योग्य विवरणों से बचते हैं।
• एडवर्सरियल मूल्यांकन (Adversarial Evaluation): प्रत्येक उम्मीदवार का दो एजेंटों द्वारा मूल्यांकन किया जाता है:
  1. अटैकर (Attacker): एक एट्रिब्यूट इन्फरेंस एजेंट वेब सर्च के साथ गोपनीयता रिसाव (गंभीरता स्कोर $S_n$) की जांच करता है और उन आयामों की गिनती करता है जो अत्यधिक विशिष्ट बने रहते हैं ($C_n$)।
  2. कीपर (Keeper): एक एजेंट आठ उपयोगिता आयामों में शोध-मूल्यवान सामग्री के नुकसान ($L_n$) को स्कोर करता है।
• चयन (Selection): उम्मीदवारों को एक विशिष्टता कैप ($C_n \leq C_{max}$) द्वारा फ़िल्टर किया जाता है। स्वीकार्य सेट से, सिस्टम गोपनीयता गंभीरता ($S_n$) और उपयोगिता हानि ($L_n$) को न्यूनतम करने वाले उम्मीदवार का चयन करता है।

मुख्य योगदान (Key Contributions)

1. नवीन थ्रेट मॉडल ऑप्टिमाइज़ेशन: लेखक दावा करते हैं कि वे वास्तविक दुनिया के एजेंटिक वेब-सर्च पुन: पहचान के प्रति प्रतिरोध और डाउनस्ट्रीम विश्लेषणात्मक उपयोगिता के प्रतिधारण के बीच के ऑपरेटिंग क्षेत्र में विशेष रूप से LLM टेक्स्ट अनामीकरण को अनुकूलित और मूल्यांकन करने वाले पहले व्यक्ति हैं।
2. डिकपल्ड फ्रेमवर्क (Decoupled Framework): AURA यह अलग करता है कि कहाँ हस्तक्षेप करना है (मास्किंग) और कैसे पुनर्गठित करना है (पुनर्निर्माण), जिससे जोखिम भरे स्पैनों को लक्षित सुरक्षा प्रदान करते हुए आसपास के संदर्भ की अखंडता को बनाए रखना संभव होता है।
3. अनुभवजन्य लक्षण वर्णन (Empirical Characterization): अध्ययन इस बात का अनुभवजन्य प्रमाण प्रदान करता है कि विभिन्न अनामीकरण सेटिंग्स में गोपनीयता और उपयोगिता के बीच ट्रेड-ऑफ कैसे बदलते हैं, यह प्रदर्शित करते हुए कि अनुकूली गोपनीयता स्कोप मुख्य रूप से पुन: पहचान प्रतिरोध को प्रभावित करते हैं, जबकि पुनर्निर्माण विधि उपयोगिता को संरक्षित करती है।

प्रयोगात्मक परिणाम (Experimental Results)

फ्रेमवर्क का मूल्यांकन Anthropic Interviewer डेटासेट से 27 वास्तविक-उपयोगकर्ता साक्षात्कार ट्रांसक्रिप्ट पर किया गया, जिन्हें एजेंटिक पुन: पहचान के लिए असुरक्षित पाया गया। मूल्यांकन में तीन अटैकर मॉडल (GPT-5.1, GPT-5.4-mini, और Gemini-3-Flash) का उपयोग किया गया और इसकी तुलना NER-आधारित रेडैक्शन, वन-शॉट LLM रीराइटिंग, इटरेटिव एडवर्सरियल अनामीकरण और डिफरेंशियल प्राइवेसी (DP-MLM) से की गई।

• गोपनीयता प्रदर्शन: AURA के अनुकूली गोपनीयता वेरिएंट्स ने सभी अटैकर मॉडलों में एजेंटिक पुन: पहचान दर को 0–5 आउट ऑफ 27 ट्रांसक्रिप्ट तक कम कर दिया। यह NER-आधारित रेडैक्शन (13–21/27) और पूर्ववर्ती LLM-आधारित अनामीज़र्स (6–7/27) की तुलना में काफी कम है।
• उपयोगिता प्रतिधारण: AURA ने यूनिट-लेवल उपयोगिता-ग्रिड जानकारी (प्रोफाइल तथ्यों और कोडबुक तथ्यों का संयोजन) का 74.9%–80.3% बरकरार रखा। इसने एडवांस्ड अनानीमाइज़र बेसलाइन (72.1%) से बेहतर प्रदर्शन किया और DP-MLM से काफी बेहतर प्रदर्शन किया, जो उच्च गोपनीयता बजट पर भी कम उपयोगिता (0–60%) से ग्रस्त था।
• स्थानीय परिनियोजन (Local Deployment): ओपन-वेट ऑन-डिवाइस मॉडल्स (Qwen3.5-27B और Qwen3.5-35B-A3B) का उपयोग करने वाले वेरिएंट्स ने API-संचालित बेसलाइन्स (78.7%–80.2% ग्रिड रिकवरी) के उपयोगिता स्तर के बराबर या उससे अधिक प्रदर्शन किया, जबकि तुलनीय गोपनीयता बनाए रखी, जो पूर्णतः स्थानीय परिनियोजन का समर्थन करता है।
• पारेटो फ्रंटियर (Pareto Frontier): AURA के अनुकूली वेरिएंट्स लगातार गोपनीयता-उपयोगिता पारेटो फ्रंटियर के अनुकूल क्षेत्र में रहे, जो तुलनीय उपयोगिता स्तरों पर गैर-DP बेसलाइन्स पर हावी रहे और तुलनीय गोपनीयता स्तरों पर DP विधियों की तुलना में उच्च उपयोगिता प्रदान करते रहे।

महत्व और दावे (Significance and Claims)

यह पेपर AURA को LLM युग में टेक्स्ट रिलीज के लिए एक व्यावहारिक फ्रेमवर्क के रूप में स्थापित करता है। लेखक तर्क देते हैं कि:

• संदर्भगत सूक्ष्मता (Contextual Nuance) महत्वपूर्ण है: केवल स्पष्ट पहचानकर्ताओं को हटाना पर्याप्त नहीं है; गोपनीयता और उपयोगिता के बीच का संरचनात्मक तनाव एक ऐसी विधि की मांग करता है जो "थिक डिस्क्रिप्शन" (thick description) को संरक्षित करते हुए जोखिम भरे विवरणों को सर्जिकल तरीके से रूपांतरित करे, जो गुणात्मक विश्लेषण के लिए आवश्यक है।
• अनुकूली स्कोप श्रेष्ठ है: AURA यह प्रदर्शित करता है कि फिक्स्ड एट्रिब्यूट लिस्ट की तुलना में ट्रांसक्रिप्ट-विशिष्ट अर्ध-पहचानकर्ताओं को शामिल करने के लिए डायनेमिक रूप से प्राइवेसी स्कोप को विस्तारित करना अधिक प्रभावी है।
• डिकपलिंग अनुकूलन सक्षम बनाती है: जोखिम भरे स्पैन के पहचान की प्रक्रिया को पुनर्निर्माण प्रक्रिया से अलग करके, AURA एक ही पास में पूरे टेक्स्ट को पुनर्गठित करने या भारी व्यवधान (perturbation) पर निर्भर रहने वाली विधियों की तुलना में बेहतर गोपनीयता-उपयोगिता ट्रेड-ऑफ प्राप्त करता है।
• स्थानीय परिनियोजन की व्यवहार्यता: परिणाम सुझाव देते हैं कि ओपन-वेट मॉडल्स का उपयोग करके स्थानीय हार्डवेयर पर उच्च-गुणवत्ता वाला, गोपनीयता-संरक्षण अनामीकरण प्राप्त किया जा सकता है, जिससे मालिकाना API प्रदाताओं पर निर्भरता कम होती है।

लेखक निष्कर्ष निकालते हैं कि AURA, एजेंटिक पुन: पहचान के बढ़ते खतरों के सामने, LLM-युग के टेक्स्ट रिलीज के लिए गोपनीयता-उपयोगिता फ्रंटियर को आगे बढ़ाता है, जो जिम्मेदार डेटा साझाकरण के लिए एक व्यवहार्य मार्ग प्रदान करता है।