PRISM-AI: A Dual-Stage Neuro-Symbolic Agentic Framework for Privacy Risk Mitigation in LLMs
Notice bibliographique
Résumé
PRISM-AI<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">1</sup> is 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. <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">1</sup>Interactive 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 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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».