[논문리뷰] Adaptive Text Anonymization: Learning Privacy-Utility Trade-offs via Prompt Optimization

링크: 논문 PDF로 바로 열기

저자: Gabriel Loiseau, Damien Sileo, Damien Riquet, Maxime Meyer, Marc Tommasi

핵심 연구 목표

본 논문은 기존 텍스트 익명화 방법론들이 수동적이고 정적이며 다양한 도메인과 프라이버시-유틸리티 요구사항에 유연하게 대응하지 못하는 한계를 해결하고자 합니다. 이를 위해 익명화 전략을 특정 프라이버시-유틸리티 요구사항에 맞춰 자동으로 조정하는 적응형 텍스트 익명화 라는 새로운 태스크를 제안합니다. 궁극적으로 수동 프롬프트 엔지니어링의 비효율성과 독점 LLM 모델 의존성 문제를 극복하는 것을 목표로 합니다.

핵심 방법론

저자들은 에이전트 기반 최적화 프레임워크를 도입하여 익명화를 다중 목표 최적화 문제 로 공식화합니다. 핵심 방법론은 GEPA 알고리즘 ( Agrawal et al., 2025 )을 기반으로 한 진화적 프롬프트 최적화 이며, 이는 기본 피드백 을 통한 웜스타트와 풍부한 피드백 을 통한 정교화의 두 단계로 구성됩니다. 이 프레임워크는 Mistral-Small-3.2-24B , Gemma-3-27B , Qwen3-30B-A3B 와 같은 오픈소스 대규모 언어 모델을 활용하며, DB-Bio , SynthPAI , TAB , PUPA , MedQA 의 다섯 가지 벤치마크 태스크에서 프라이버시 및 유틸리티 지표를 종합적으로 평가합니다.

주요 결과

제안된 프레임워크는 모든 평가 설정에서 기존 익명화 기준선보다 일관되게 더 나은 프라이버시-유틸리티 트레이드오프 를 달성했습니다. 특히 오픈소스 언어 모델 에서도 계산 효율성을 유지하며, 더 큰 규모의 클로즈드소스 모델인 GPT-5-chat 과 유사한 성능을 보였습니다. 또한, 이 방법은 프라이버시-유틸리티 트레이드오프 공간을 명시적으로 탐색하여 다양한 작동 지점을 선호하는 여러 익명화 전략 을 발견할 수 있음을 입증했습니다.

AI 실무자를 위한 시사점

이 연구는 LLM 기반 익명화의 유연성 을 크게 향상시켜, AI 엔지니어와 데이터 과학자들이 수동 작업 없이 다양한 도메인과 프라이버시 목표에 맞춰 익명화 전략을 자동으로 조정할 수 있게 합니다. 특히 중소형 오픈소스 LLM 으로도 효과적인 익명화가 가능함을 보여주어, 민감 데이터를 외부 API에 의존하지 않고 로컬에서 처리해야 하는 상황에서 실용적인 대안을 제시합니다. 발견된 다양한 트레이드오프 전략들은 규제 요구사항, 위험 허용 범위 및 다운스트림 애플리케이션 우선순위에 따라 맞춤형 익명화 솔루션을 선택할 수 있는 유연성을 제공합니다.

⚠️ 알림: 이 리뷰는 AI로 작성되었습니다.