作为语言变色龙的 LLMs：解耦语义与结构以实现隐私保护通信
LLMs as Linguistic Chameleons: Decoupling Semantics and Structure for Privacy-Preserving Communication
精选理由
提供兼顾隐私与效用的LLM调用新思路
AI 摘要
随着 Large Language Model (LLM) APIs 越来越多地集成到隐私敏感的工作流程中，在不损害任务效用的情况下确保推理时隐私仍然是一项重大挑战。现有方法会保留大部分原始语义内容以维持下游性能，但这也留下了可被利用来重构原始文本的线索。本研究探讨语义解耦，即用替代内容替换原始语义，同时保留 LLM 推理所需的结构。基于这一思想，我们提出 CROSS-MAP，这是一个双向框架，在推理前将私有输入映射到不同的语义域，并在之后恢复相应的输出。本地模型通过多目标优化进行训练，以在映射阶段最大化语义差异，同时在恢复阶段最小化语义不一致。实验表明，CROSS-MAP 在多种攻击设置下降低了重构成功率，同时在效用方面优于现有基线。