Locally Differentially Private In-Context Learning

要約

大規模な事前トレーニング済み言語モデル (LLM) は、驚くべき文脈内学習 (ICL) 能力を示しています。
大規模な言語モデルを展開する際の重要な用途は、特定のタスクのためにプライベート データベースを使用して LLM を強化することです。
この有望な商用利用の主な問題は、LLM がトレーニング データを記憶することがわかっており、そのプロンプト データがメンバーシップ推論攻撃 (MIA) やプロンプト漏洩攻撃に対して脆弱であることです。
この問題に対処するために、我々は LLM をプライバシーにおいて信頼できないものとして扱い、ラベルが機密である設定におけるインコンテキスト学習のローカル差分プライベート フレームワーク (LDP-ICL) を提案します。
勾配降下法によるTransformersのコンテキスト内学習のメカニズムを考慮して、分類のためのLDP-ICLにおけるプライバシーとユーティリティの間のトレードオフの分析を提供します。
さらに、LDP-ICL を離散分布推定問題に適用します。
最後に、分析結果を実証するためにいくつかの実験を実行します。

要約(オリジナル)

Large pretrained language models (LLMs) have shown surprising In-Context Learning (ICL) ability. An important application in deploying large language models is to augment LLMs with a private database for some specific task. The main problem with this promising commercial use is that LLMs have been shown to memorize their training data and their prompt data are vulnerable to membership inference attacks (MIA) and prompt leaking attacks. In order to deal with this problem, we treat LLMs as untrusted in privacy and propose a locally differentially private framework of in-context learning(LDP-ICL) in the settings where labels are sensitive. Considering the mechanisms of in-context learning in Transformers by gradient descent, we provide an analysis of the trade-off between privacy and utility in such LDP-ICL for classification. Moreover, we apply LDP-ICL to the discrete distribution estimation problem. In the end, we perform several experiments to demonstrate our analysis results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google