Editorial Ilmu Komputer & AI
Open AccessOA2026
De-identifikasi Terverifikasi-Reversibilitas untuk Inferensi LLM Cloud-Local: Loop Dehidrasi-Rehidrasi Tersertifikasi Lokal dengan Jaminan Berlapis (DR-SL)
Loop dehidrasi-rehidrasi tersertifikasi lokal dengan jaminan berlapis untuk inferensi LLM cloud-local yang menjaga privasi
Wen Hu; Ya Yu; Xutong Wang· 2026· DOI 10.48550/arXiv.2609.14883
Masalah inti
Inferensi LLM cloud-local menghadirkan ketegangan mendasar: data pengguna yang sensitif harus tetap berada di perangkat, namun kemampuan penalaran kelas cloud diinginkan. Pendekatan sanitasi yang ada—substitusi placeholder, perturbasi differential-privacy, dan distilasi keterampilan—tidak memiliki keputusan pelepasan yang sekaligus aman dan mempertahankan utilitas. Penulis mengusulkan DR-SL (Dehydrate-Rehydrate with Self-Learning loop), yang memformalkan kelengkapan de-identifikasi sebagai dua kondisi terukur: kecukupan de-identifikasi di bawah semantik Pufferfish, dan pemeliharaan informasi tugas melalui probe QA. Karya ini menjawab kesenjangan kritis antara jaminan privasi teoretis dan keputusan pelepasan praktis dalam arsitektur inferensi hibrida. Tantangan intinya adalah mensertifikasi bahwa prompt terdehidrasi yang dikirim ke cloud tidak dapat membocorkan informasi sensitif, sekaligus memastikan respons terhidrasi ulang tetap berguna untuk tugas lokal. DR-SL memperkenalkan loop tersertifikasi lokal dengan jaminan berlapis, menggabungkan garis keras deterministik, uji ulang penyerang kuat eksternal, dan fallback manusia. Penulis membuktikan batas bawah tipe Fano, saksi Pufferfi
Inovasi
Pada benchmark kasus terburuk yang sepenuhnya terkopel tugas, loop DR-SL menurunkan kebocoran dari 0,457 menjadi 0,304 (p ≈ 0), menunjukkan peningkatan yang signifikan secara statistik. Rantai pelepasan menghasilkan 0,000 kebocoran literal di egress pada 160 instans yang diuji terhadap dua penyerang kuat. Sistem terdegradasi menjadi certification-and-routing persis seperti yang diprediksi kriteria kelayakan, memvalidasi model teoretis. Pada benchmark kopling campuran, titik aman yang sama melepaskan 67,5% instans secara otomatis pada kebocoran terukur nol, mendominasi secara Pareto sudut placeholder dan selective-LDP di bawah aturan pelepasan yang identik. Dua studi manusia menjadi jangkar metrik utilitas semantik (Spearman ρ = 0,839) dan gold anotasi (recall tingkat tipe minimal 0,987). Hipotesis self-learning eksploratif tidak didukung dan dilaporkan demikian. Semua batas teoretis lolos verifikasi numerik. Hasilnya menunjukkan bahwa DR-SL mencapai keseimbangan praktis antara privasi dan utilitas, dengan garis keras dan tinjauan manusia memberikan jaminan keamanan yang tidak dapat diberikan oleh batas teoretis semata. Kebocoran literal 0,000 di egress sangat menonjol, karena berar
Inferensi LLM cloud-local menghadirkan ketegangan mendasar: data pengguna yang sensitif harus tetap berada di perangkat, namun kemampuan penalaran kelas cloud diinginkan. Pendekatan sanitasi yang ada—substitusi placeholder, perturbasi differential-privacy, dan distilasi keterampilan—tidak memiliki keputusan pelepasan yang sekaligus aman dan mempertahankan utilitas. Penulis mengusulkan DR-SL (Dehydrate-Rehydrate with Self-Learning loop), yang memformalkan kelengkapan de-identifikasi sebagai dua kondisi terukur: kecukupan de-identifikasi di bawah semantik Pufferfish, dan pemeliharaan informasi tugas melalui probe QA. Karya ini menjawab kesenjangan kritis antara jaminan privasi teoretis dan keputusan pelepasan praktis dalam arsitektur inferensi hibrida. Tantangan intinya adalah mensertifikasi bahwa prompt terdehidrasi yang dikirim ke cloud tidak dapat membocorkan informasi sensitif, sekaligus memastikan respons terhidrasi ulang tetap berguna untuk tugas lokal. DR-SL memperkenalkan loop tersertifikasi lokal dengan jaminan berlapis, menggabungkan garis keras deterministik, uji ulang penyerang kuat eksternal, dan fallback manusia. Penulis membuktikan batas bawah tipe Fano, saksi Pufferfish, dan kriteria kelayakan rate-privacy, tetapi secara eksplisit menyatakan cakupannya: batas-batas tersebut mensertifikasi kebocoran, bukan keamanan, dan hampir vakum pada titik operasi. Dengan demikian, keamanan pelepasan bertumpu pada kalibrasi empiris, garis keras, dan tinjauan manusia.
DR-SL beroperasi sebagai verifier dua-cabang yang mengiterasi dehidrasi di bawah gerbang leksikografis dengan terminasi terjamin. Proses dehidrasi mengubah prompt lokal menjadi versi tersanitasi untuk inferensi cloud, sementara rehidrasi merekonstruksi respons akhir secara lokal. Gerbang leksikografis memprioritaskan kecukupan de-identifikasi terlebih dahulu, lalu pemeliharaan informasi tugas, memastikan tidak ada pelepasan yang terjadi kecuali kedua kondisi terpenuhi. Verifier mencakup garis keras deterministik yang memblokir setiap pelepasan yang melanggar batasan privasi absolut, uji ulang penyerang kuat eksternal yang mensimulasikan inferensi adversarial, dan fallback manusia untuk kasus ambigu. Loop self-learning berupaya meningkatkan dehidrasi seiring waktu, meskipun hipotesis eksploratif tersebut tidak didukung. Arsitektur sistem dapat direpresentasikan sebagai diagram alur:
Mengapa penting
Kerangka DR-SL menyediakan pendekatan jaminan berlapis untuk inferensi LLM cloud-local, menggabungkan batas teoretis dengan kalibrasi empiris dan tinjauan manusia. Penulis secara eksplisit menyatakan bahwa batas bawah tipe Fano dan saksi Pufferfish mensertifikasi kebocoran, bukan keamanan, dan hampir vakum pada titik operasi. Pernyataan cakupan yang jujur ini krusial: artinya keamanan pelepasan tidak dapat mengandalkan teori semata tetapi harus ditegakkan oleh garis keras deterministik dan fallback manusia. Kriteria kelayakan memprediksi kapan sistem terdegradasi menjadi certification-and-routing, yang dikonfirmasi pada benchmark kasus terburuk. Dominasi Pareto pada data kopling campuran menunjukkan bahwa DR-SL dapat mencapai trade-off privasi-utilitas yang lebih baik daripada substitusi placeholder dan selective LDP. Namun, hasil negatif pada self-learning menunjukkan bahwa loop tidak meningkat secara adaptif, yang dapat membatasi efektivitas jangka panjangnya. Studi manusia memberikan validasi kuat terhadap metrik utilitas dan kualitas anotasi, tetapi ketergantungan pada fallback manusia menimbulkan kekhawatiran skalabilitas. Kemampuan sistem untuk melepaskan 67,5% instans secara otomatis pada kebocoran nol menjanjikan untuk penerapan praktis, tetapi 32,5% sisanya memerlukan tinjauan manusia atau pemblokiran. Batas teoretis, meskipun hampir vakum, tetap memberikan fondasi formal untuk memahami kebocoran. Kriteria kelayakan rate-privacy adalah kontribusi kunci, karena memprediksi kapan sistem dapat beroperasi dengan aman. Uji ulang penyerang kuat eksternal menambahkan lapisan adversarial yang melampaui audit privasi standar. Secara keseluruhan, DR-SL merupakan langkah signifikan menuju de-identifikasi yang dapat disertifikasi untuk inferensi cloud-local, tetapi keamanannya pada akhirnya bergantung pada kalibrasi empiris dan pengawasan manusia. Pekerjaan selanjutnya dapat mengeksplorasi peningkatan loop self-learning atau mengurangi fallback manusia melalui verifier yang lebih baik. Pelepasan publik atas kode, dataset sintetis, protokol, dan paket studi manusia mendukung reproduktibilitas dan penelitian lebih lanjut.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…