Newest papers

Contextual Candour: Role-Aware Graduated Disclosure for LLMs over Mixed-Sensitivity Contexts

Devansh Srivastav, David Pape, Samira Abedini, Lea Schönherr · 2026 · arXiv (Cornell University)

DOI: 10.48550/arxiv.2610.28067 · cited by 0 works (OpenAlex) · open-access PDF

Vietnamese

Các LLM ngày càng hoạt động trên các bối cảnh nhạy cảm hỗn hợp, nơi họ phải lý luận về thông tin từ công khai đến bảo mật trong khi chỉ tiết lộ những gì người dùng được ủy quyền nhận. Các phương pháp hiện hành áp dụng kiểm soát truy cập như một quyết định nhị phân: hoặc trả lời đầy đủ hoặc từ chối, mà không điều chỉnh số lượng hoặc loại thông tin được tiết lộ nếu truy cập được cấp, dẫn đến rò rỉ quá mức hoặc không có ý định. Chúng tôi giới thiệu tiết lộ dần dần, một khuôn khổ tối ưu hóa dựa trên phần thưởng, trong đó mức độ chi tiết và độ nhạy cảm trong phản ứng của một mô hình được điều chỉnh theo sự cho phép của người dùng thay vì được xử lý như là một quyết định cho phép hoặc từ chối. Chúng tôi phải mô hình hóa tiết lộ dần như một vấn đề tiết lộ nhận thức và đề xuất tối ưu hóa dựa

Machine translation (Meta M2M100); the English original follows.

Abstract

LLMs increasingly operate over mixed-sensitivity contexts, where they must reason over information ranging from public to confidential while disclosing only what the user is authorised to receive. Existing approaches enforce access control as a binary decision: either fully answering or refusing, without regulating how much or what kind of information is revealed if access is granted, leading to over-refusal or unintended leakage. We introduce graduated disclosure, an access-control formulation in which the level of detail and sensitivity in a model's response is calibrated to the user's authorisation rather than treated as a grant-or-deny decision. We model graduated disclosure as a disclosure-aware generation problem and propose a reward-based optimisation framework that shapes responses toward level-appropriate abstractions while penalising unauthorised factual leakage, including paraphrases and approximations. We evaluate our approach on enterprise and clinical benchmarks and compare it with prompt-based, gating, and supervised baselines. Experiments show that our method substantially reduces information leakage while preserving correctness and utility. These results suggest that disclosure control must be integrated into the generation process itself to enable secure yet useful LLM deployments.

Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese

Topics: Correctness, Confidentiality, Authorization, Access control, Computer science, Internet privacy

Sources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange