arXivは2026年9月1日(現地時間)、ヤグナ・マナサ・ボヤパティ氏らの研究成果を公開した。この研究は、AI駆動型教育システムにおいて、生徒データのプライバシー保護と高精度な認知診断を両立させることを目指す。提案されたのは、生の生徒データやモデル内部への直接アクセスを必要とせず、複数の商用大規模言語モデル（LLM）APIが連携する「連合推論フレームワーク」であり、異種マルチLLMアーキテクチャに基づいている。
このフレームワークは、複数の連合エンティティを活用する仕組みを特徴とする。各エンティティが生成する予測結果には、集約前に個々の出力にラプラスノイズ（Laplace noise）を局所的に加えることで、イプシロン局所差分プライバシー（epsilon-local differential privacy）が適用される。このアプローチにより、モデル間の異種性は残差ベース集約（residual-based aggregation）によって緩和されると見られる。
本研究で提案されたアプローチは、APIプロバイダーが提出されたクエリを悪用しないと仮定する、誠実だが好奇心旺盛な信頼パラダイム（honest-but-curious trust paradigm）に基づいている。開発された差分プライバシーメカニズムは、公開された診断結果を外部からの推論から保護するよう設計された。研究チームは、厳密なプライバシー・ユーティリティ分析を実施し、最小限の精度損失で強力なプライバシー保証が達成されることを実証したと発表している。
さらに、このフレームワークは、3つの教育ベンチマークに対する広範な実世界評価を通じて、その実用的な利用可能性とクロスドメインでの汎用性が確認された。この研究はEMNLP 2026のFindingsにて採択されており、AI教育システムの発展に寄与する可能性がある。
参考: arXiv cs.CR — 2026年9月4日 13:00 (JST)
原文ハイライト"Privacy-Preserving Heterogeneous Multi-LLM Federated Inference for Cognitive Diagnosis"