DiRAFT 论文提出基于聚合话语先验的隐私感知金融转录本合成方法

该论文提出 DiRAFT（Discourse Realization from Aggregate First-order Transitions）框架，旨在解决使用客户对话训练金融语言模型时的保密性问题，通过提取金融概念图并记录概念首次引入顺序，利用聚合过渡先验生成新的合成转录本。该方法在文本实现层引导生成，不依赖任何单个源段落或图结构，从而避免直接暴露原始数据。

评估部分包含两个互补维度：语料库层面的结构重叠分析和针对特定非公开投资者事实的源头 grounding 检查。后者涉及对七个策略和两个后端生成的 1,400 份投资者电话会议输出进行人工审查。结果显示，随机采样在保持过渡保真度的同时，显著降低了结构重叠率，且在识别非公开事实匹配方面优于贪婪采样和 top-3 采样策略。

研究结论指出，虽然该方法提供了关于剩余保密风险的实证证据，但并未建立形式化的安全保证。这一发现对于构建基于合成数据的金融 AI 训练管线具有参考价值，特别是当需要在数据效用与隐私保护之间寻找平衡时，随机采样机制可能比确定性策略更具优势。事实部分基于论文中明确的人工审查数据和采样对比结果；推断部分关于随机采样优势的适用性是基于实验数据的逻辑延伸；猜测部分则涉及该方法在实际工业界大规模部署时的具体表现，原文未予证实。