PRISM-AI: A Dual-Stage Neuro-Symbolic Agentic Framework for Privacy Risk Mitigation in LLMs
Notice bibliographique
Résumé
PRISM-AI1is a neuro-symbolic multi-agent framework designed to mitigate privacy risks during inference by Large Language Models (LLMs). The system integrates a symbolic rule engine based on first-order deontic logic (LogicMP) with a neural agent guided by prompt-engineered constraints aligned with GDPR and Act 25. Each agent fulfills a distinct role, including privacy rule enforcement, input analysis, explanation generation, and user interaction. PRISM-AI introduces a dual-stage privacy control mechanism that evaluates both user prompts and LLM outputs, enabling proactive and reactive filtering of sensitive content. Evaluation across a comprehensive benchmark spanning healthcare, finance, education, and general domains demonstrates that LogicMP achieves $82.5 \%$ accuracy compared to $\mathbf{7 1. 0 \%}$ for LLM-based detection, with $\mathbf{2, 8 0 6} \times$ faster processing and $100 \times$ lower memory usage, while achieving 29.3% precision advantage with perfect precision across Healthcare, Finance, and Education domains. The dual-stage architecture provides $10 \%$ proactive privacy violation prevention, with $100 \%$ of violations caught at the input stage. Legal justification coverage reaches $20 \%$ of blocked cases with automatic GDPR and Act 25 citations. The results underscore the benefits of combining symbolic and neural reasoning within a flexible agentic AI architecture for practical privacy protection.1Interactive demo and source code: https://github.com/SabrineAmri/ prism-ai-demo.git
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».