तकनीकी सारांश: MINIM - एजेंटों के लिए विश्वसनीय स्थानीय स्वच्छता के माध्यम से गोपनीयता-जागरूक न्यूनतम दृश्य (Privacy-Aware Minimal View)

1. समस्या विवरण: सिमेंटिक ओवर-प्रिविलेज्ड ऑब्जर्वेशन (Semantic Over-Privileged Observation)

आधुनिक स्वायत्त एजेंट (autonomous agents) डिजिटल वातावरण के साथ इंटरैक्ट करने के लिए तेजी से संरचित अवलोकनों (जैसे, एक्सेसिबिलिटी ट्री, DOM निरूपण) पर निर्भर हो रहे हैं। जबकि ये संरचित इंटरफेस विश्वसनीय एक्शन ग्राउंडिंग के लिए समृद्ध सिमेंटिक संदर्भ प्रदान करते हैं, वर्तमान परिनियोजन प्रतिमान (deployment paradigms) अक्सर एक "शेयर-फर्स्ट" डिज़ाइन का पालन करते हैं, जो पूरे कच्चे इंटरफ़ेस स्टेट (raw interface state) को रिमोट इन्फरेंस सर्वर पर ट्रांसमिट करते हैं।

लेखक एक विशिष्ट विफलता मोड की पहचान करते हैं जिसे सिमेंटिक ओवर-प्रिविलेज्ड ऑब्जर्वेशन कहा जाता है। इस परिदृश्य में, एजेंटों को न केवल वर्तमान उपयोगकर्ता कार्य के लिए आवश्यक तत्व प्राप्त होते हैं, बल्कि बहुत सारा कार्य-अप्रासंगिक संदर्भ (जैसे, साइडबार नोटिफिकेशन, बैकग्राउंड एप्लिकेशन विंडोज़, असंबंधित ब्राउज़र टैब) भी प्राप्त होता है। यह संवेदनशील लेकिन अनावश्यक जानकारी के रिसाव (leakage) की ओर ले जाता है, जैसे कि ऑथेंटिकेशन कोड, निजी सूचनाएं और व्यवहार संबंधी निशान, जिनका उपयोग प्रोफाइलिंग के लिए किया जा सकता है।

मौजूदा गोपनीयता समाधान इस सेटिंग के लिए उपयुक्त नहीं हैं:

• कार्य-अज्ञेयवादी फ़िल्टरिंग (Task-agnostic filtering) (जैसे, PII रेडैक्शन) कार्य-महत्वपूर्ण संदर्भ को हटाने का जोखिम उठाती है या संवेदनशील गैर-PII विशेषताओं को मिस कर सकती है।
• डिफरेंशियल प्राइवेसी (Differential Privacy) स्टोकेस्टिक शोर (stochastic noise) पेश करती है जो विश्वसनीय एजेंट क्रियान्वयन के लिए आवश्यक सटीक सिमेंटिक संकेतों को विकृत कर सकती है।
• क्रिप्टोग्राफिक विधियाँ (जैसे, FHE, MPC) गणना की रक्षा करती हैं लेकिन प्रकट की गई स्थिति से रिमोट सर्वर को संवेदनशील जानकारी का अनुमान लगाने से नहीं रोक पाती हैं, जो अक्सर अत्यधिक विलंबता (latency) की कीमत पर होता है।

मूल चुनौती यह है कि गोपनीयता आवश्यकताएं कार्य-आधारित (task-conditioned) होती हैं: एक तत्व (जैसे, एक 2FA कोड) एक कार्य के लिए महत्वपूर्ण हो सकता है लेकिन दूसरे कार्य के लिए शुद्ध रिसाव (leakage) हो सकता है।

2. कार्यप्रणाली: MINIM फ्रेमवर्क

लेखक MINIM का प्रस्ताव करते हैं, जो एक विश्वसनीय स्थानीय ब्रोकर (trusted local broker) है जो क्लाइंट डिवाइस पर पूर्व-प्रकटीकरण न्यूनीकरण (pre-disclosure minimization) करता है। MINIM एक संरचनात्मक बाधा (structural bottleneck) के रूप में कार्य करता है, जो एजेंट के अवलोकन को डिवाइस छोड़ने से पहले सैनिटाइज (sanitize) करता है। यह फ्रेमवर्क कॉन्टेक्स्टुअल इंटीग्रिटी (CI) पर आधारित है, जो इस सिद्धांत को संचालित करता है कि सूचना प्रवाह को संदर्भ, अभिनेताओं, विशेषताओं और ट्रांसमिशन सिद्धांतों द्वारा परिभाषित मानदंडों का पालन करना चाहिए।

2.1. द्वैत-स्कोर प्रतिनिधित्व (Dual-Score Representation)

MINIM प्रत्येक तत्व (जैसे, एक एक्सेसिबिलिटी ट्री नोड) के लिए दो स्केलर स्कोर की भविष्यवाणी करने के लिए एक सीखा हुआ मॉडल उपयोग करता है:

1. अंतर्निहित संवेदनशीलता स्कोर ($s$): वर्तमान कार्य से स्वतंत्र, तत्व के आंतरिक सूचना जोखिम को कैप्चर करता है।
2. कार्य-आधारित आवश्यकता स्कोर ($n$): विशिष्ट उपयोगकर्ता कार्य $T$ को पूरा करने के लिए तत्व की उपयोगिता को कैप्चर करता है।

2.2. प्रशिक्षण उद्देश्य (Training Objective)

मॉडल को एक CI-जागरूक उद्देश्य का उपयोग करके प्रशिक्षित किया जाता है जो कार्य उपयोगिता बाधा को संतुष्ट करते हुए संदर्भ के रूप में अनुचित जानकारी के प्रकटीकरण को कम करता है। लॉस फंक्शन निम्नलिखित को जोड़ता है:

• संवेदनशीलता लॉस ($L_{sens}$): अंतर्निहित जोखिम की भविष्यवाणी करने में त्रुटि को कम करता है।
• आवश्यकता लॉस ($L_{nec}$): कार्य की आवश्यकता की त्रुटि को कम करता है, लेकिन इसे संवेदनशीलता द्वारा भारित (weighted by sensitivity) किया जाता है। लॉस उन नोड्स के लिए बढ़ाया जाता है जो अत्यधिक संवेदनशील हैं लेकिन कार्य-अप्रासंगिक हैं, जिससे मॉडल को अनावश्यक उच्च-जोखिम वाली सामग्री को पहचानने में विफल होने के लिए भारी दंड मिलता है।

2.3. त्रिपक्षीय प्रकटीकरण नीति (Ternary Disclosure Policy)

परिनियोजन के समय, अनुमानित स्कोर एक नियतात्मक नीति (deterministic policy) को संचालित करते हैं जो प्रत्येक नोड को तीन क्रियाओं में से एक में मैप करता है:

• रखें (Keep - K): यदि नोड आवश्यक है ($n \ge \tau_{nec}$) और कम-जोखिम वाला है ($s < \tau_{sens}$)। तत्व को अपरिवर्तित रूप से ट्रांसमिट किया जाता है।
• एब्स्ट्रैक्ट करें (Abstract - A): यदि नोड आवश्यक है ($n \ge \tau_{nec}$) लेकिन उच्च-जोखिम वाला है ($s \ge \tau_{sens}$)। संवेदनशील विशेषताओं को प्लेसहोल्डर्स (जैसे, [REDACTED]) के साथ बदल दिया जाता है जबकि संरचनात्मक भूमिका (जैसे, बटन संरचना को बनाए रखना लेकिन 2FA कोड मान को मास्क करना) को संरक्षित किया जाता है।
• हटाएं (Remove - R): यदि नोड अनावश्यक है ($n < \tau_{nec}$)। तत्व को पूरी तरह से हटा दिया जाता है।

3. मुख्य योगदान

1. समस्या का औपचारिककरण: पेपर ने "सिमेंटिक ओवर-प्रिविलेज्ड ऑब्जर्वेशन" को संरचित इनपुट पर निर्भर एजेंटिक सिस्टम में एक विशिष्ट गोपनीयता जोखिम के रूप में पहचाना और औपचारिक रूप दिया, और समाधान के रूप में पूर्व-प्रकटीकरण न्यूनीकरण का प्रस्ताव दिया।
2. MINIM आर्किटेक्चर: लेखक एक विश्वसनीय स्थानीय ब्रोकर पेश करते हैं जो कॉन्टेक्स्टुअल स्कोरिंग को पॉलिसी एनफोर्समेंट से अलग करता है। यह एक द्वैत-स्कोर तंत्र का उपयोग करता है (संवेदनशीलता और आवश्यकता) जिसे "जानने की आवश्यकता" (need-to-know) के नियम को लागू करने के लिए CI-जागरूक उद्देश्य के साथ प्रशिक्षित किया गया है।
3. अनुभवजन्य सत्यापन (Empirical Validation): फ्रेमवर्क का मूल्यांकन शॉपिंग, रेडिट और जीमेल डोमेन में WebArena से प्राप्त वास्तविक एक्सेसिबिलिटी ट्री पर किया गया है, जो कार्य निष्पादन से समझौता किए बिना महत्वपूर्ण रिसाव (leakage) में कमी प्रदर्शित करता है।

4. प्रयोगात्मक परिणाम

प्रयोग WebArena से प्राप्त 662 टेस्ट वेरिएंट्स के डेटासेट पर किए गए थे, जिन्हें सिंथेटिक संवेदनशील संदर्भों (जैसे, 2FA कोड, पासवर्ड) के साथ बढ़ाया गया था।

4.1. प्रदर्शन मेट्रिक्स

• टास्क-क्रिटिकल नोड प्रिजर्वेशन (TCNP): MINIM 94.91% कार्य-महत्वपूर्ण संदर्भ और 99.31% कार्य-महत्वपूर्ण इंटरैक्टिव तत्वों (TCNP-I) को बनाए रखता है।
• टास्क-अप्रासंगिक संवेदनशील रिसाव (TISL): MINIM संवेदनशील रिसाव को 0.101 (सामान्यीकृत) तक कम कर देता है, जो पूर्ण अवलोकनों में देखे गए रिसाव का लगभग 10% है। यह "केवल-आवश्यकता" (Necessity-Only) बेसलाइन (0.2032) की तुलना में लगभग 50% की कमी है और "केवल-संवेदनशीलता" या "रैंडम" बेसलाइन से काफी बेहतर प्रदर्शन करता है।

4.2. LLM बेसलाइनों के साथ तुलना

लेखकों ने MINIM की तुलना कई ओपन-वेट लार्ज लैंग्वेज मॉडल्स (LLMs) से की जिन्हें स्कोरर के रूप में प्रॉम्प्ट किया गया था।

• LLM की सीमाएं: जबकि सामान्य LLMs उच्च उपयोगिता (TCNP-I $\approx$ 0.99) प्राप्त करते हैं, वे काफी अधिक रिसाव (TISL 0.194 से 0.312 के बीच) प्रदर्शित करते हैं। वे उपयोगी तत्वों के साथ कार्य-अप्रासंगिक संवेदनशील सामग्री को भी बनाए रखने की प्रवृत्ति रखते हैं।
• दक्षता: MINIM ने तुलनात्मक या बेहतर एक्शन योग्य रिकॉल प्राप्त करते हुए केवल 12% नोड्स को बरकरार रखा (LLMs के ~26–35% की तुलना में)। यह रेखांकित करता है कि सामान्य इंस्ट्रक्शन ट्यूनिंग स्वाभाविक रूप से कार्य-आधारित न्यूनीकरण को लागू नहीं करती है।

4.3. एब्लेशन और मजबूती (Ablation and Robustness)

• एब्स्ट्रैक्शन का मूल्य: "एब्स्ट्रैक्ट" (A) क्रिया को "रिमूव" (R) से बदलने से एक्शन योग्य रिकॉल (TCNP-I) 0.9931 से गिरकर 0.9650 हो गया, जो यह दर्शाता कि मूल्यों को मास्क करते हुए संरचनात्मक सामर्थ्य (structural affordances) को बनाए रखना कार्य निष्पादन के लिए महत्वपूर्ण है।
• कार्य अर्थशास्त्र (Task Semantics): मॉडल ने कार्य के प्रकार के आधार पर अपने संपीड़न दर (compression rate) को अनुकूलित किया, "सेंसिटिव/एडमिन" कार्यों के लिए अधिक नोड्स (15.84%) बनाए रखे, जबकि "इन्फॉर्मेशनल" कार्यों (8.66%) की तुलना में, ताकि सुरक्षा प्रवाह कार्यात्मक बना रहे।

5. महत्व और दावे

पेपर का दावा है कि MINM यह प्रदर्शित करता है कि मजबूत गोपनीयता गारंटी विश्वसनीय एजेंट क्रियान्वयन के साथ सह-अस्तित्व में रह सकती है। "शेयर-फर्स्ट" प्रतिमान से "जानने की आवश्यकता" (need-to-know) प्रतिमान की ओर शिफ्ट होकर, विश्वसनीय स्थानीय स्वच्छता के माध्यम से, MINIM उस "प्राइवेसी जजमेंट-एक्शन गैप" को संबोधित करता है जहाँ एजेंट संवेदनशील होने के बावजूद संदर्भ की रक्षा करने में विफल रहते हैं।

लेखक जोर देते हैं कि उनका दृष्टिकोण रिप्रेजेंटेशन-अज्ञेयवादी (representation-agnostic) है; हालांकि इसका मूल्यांकन एक्सेसिबिलिटी ट्री पर किया गया है, CI-संचालित संरचनात्मक स्कोरिंग तंत्र अन्य संरचित अवलोकन प्रारूपों (DOM, सीन ग्राफ, टूल स्कीमा) पर भी लागू होता है। वे MINIM को सक्रिय हमलावरों के खिलाफ पूर्ण सुरक्षा समाधान के रूप में नहीं, बल्कि स्वायत्त एजेंटों के अवलोकन चैनल के लिए एक महत्वपूर्ण गोपनीयता-निवारण घटक के रूप में देखते हैं, जो गोपनीयता-संवेदनशील वातावरण में सुरक्षित परिनियोजन को सक्षम बनाता है।