A Responsible Generative Artificial Intelligence Based Multi-Agent Framework for Preserving Data Utility and Privacy
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The exponential growth in the usage of textual data across industries and data sharing across institutions underscores the critical need for frameworks that effectively balance data utility and privacy. This paper proposes an innovative agentic AI-based framework specifically tailored for textual data, integrating user-driven qualitative inputs, differential privacy, and generative AI methodologies. The framework comprises four interlinked topics: (1) A novel quantitative approach that translates qualitative user inputs, such as textual completeness, relevance, or coherence, into precise, context-aware utility thresholds through semantic embedding and adaptive metric mapping. (2) A differential privacy-driven mechanism optimizing text embedding perturbations, dynamically balancing semantic fidelity against rigorous privacy constraints. (3) An advanced generative AI approach to synthesize and augment textual datasets, preserving semantic coherence while minimizing sensitive information leakage. (4) An adaptable dataset-dependent optimization system that autonomously profiles textual datasets, selects dataset-specific privacy strategies (e.g., anonymization, paraphrasing), and adapts in real-time to evolving privacy and utility requirements. Each topic is operationalized via specialized agentic modules with explicit mathematical formulations and inter-agent coordination, establishing a robust and adaptive solution for modern textual data challenges.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,026 | 0,099 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle