個人識別情報（PII）のコンテキストマスキングシステムを訓練するには、同じエンティティタイプの言及のうち、マスクすべきものと保持すべきものを区別する例が必要である。しかし、プライバシー規制により実データへのアクセスは制限されている。従来の著者ベースの拡張手法（SPY）は、著者に関係のない言及を非PIIとラベル付けするが、これは単一のデータ主体を仮定しており、他の主体を見落とす可能性がある。
この問題に対処するため、研究チームはReCoPII（Relation-grounded Contextual PII masking）を提案した。これは単一データ主体の仮定を必要とせずに、このようなデータを構築するフレームワークである。まずオントロジー制約付きのエンティティ関係を計画し、プレースホルダーを含む挿入文を作成する。次にコードを用いて注釈を再構築し、別の大規模言語モデル（LLM）で結果を検証する。最後にエンティティ関係からMASK/KEEPラベルを導出する。
研究チームは6つの領域の韓国語文書にこのフレームワークを適用し、関係、プライバシー、MASK/KEEPの注釈を含むReCoPII-Koコーパスを構築した。検証では、300ペアのサンプルにおいて、4名の注釈者がReCoPII-KoのKEEPラベルの88.42%に同意した。同じソースに対するSPY方式の拡張では26.27%にとどまった。
マッチしたテストセットでは、ReCoPII-Koで訓練された分類器は参照手法よりも過剰マスキングが少なかった。さらに、コンテキストマスキングをPII検出器と共同で微調整することで、検出器単独使用時の過剰マスキングの大部分を、固定のリーク予算内で除去できることが示された。人間が検証したエンティティレコードにおいて、リーク予算を満たす4つの検出器は、過剰マスキングが最大5.04%、リーク率が最大4.18%であった。この検出器はKDPIIデータセット上でXLM-R-largeに匹敵する性能を、約4分の1のパラメータ数で達成している。
本研究は、プライバシー制約のある環境で高品質なコンテキストPIIマスキングデータセットを構築する新たな手法を提供し、プライバシー保護と情報保持のバランスにおける共同訓練の可能性を示した。論文は2026年10月14日に投稿され、計算言語学（cs.CL）および人工知能（cs.AI）の領域に属する。