← 研踪 PaperTrail软件学报:jos:7712 · 记录 #1
语义迁移: 面向云端大语言模型交互的数据隐私保护方法
来源日期 2026-11-04
来源记录日期 2026-11-04
雷达观测 2026-11-05 00:17
摘要
具有强大理解、生成能力的云端大语言模型(cloud large language model, CLLM)已经成为人们日常工作中不可缺少的工具. 然而, CLLM的运行方式意味着用户需要上传原始数据, 这将使得用户的数据隐私安全难以得到有效保障. 现有数据加密方法往往通过添加噪声来改变原始数据形式, 这极易导致数据效用下降, 并影响任务效果. 不同于对原始数据的全盘保护, 将用户数据分为可被识别并用于对齐归属个体的隐私关键信息, 以及不涉及归属问题的普通信息, 并提出保护隐私关键信息, 传递普通信息, 从而在保护数据隐私安全的同时, 维持数据效用. 具体而言, 提出基于语义迁移的用户隐私保护(semantic transfer for privacy protection, STPP)方法. STPP首先基于LLM广泛的先验知识构建语义映射库与语义映射模型, 并通过语义加密将原始信息迁移到具有相似逻辑的新场景. 在获得CLLM反馈后, STPP又通过语义解密将反馈信息还原回原始场景, 从而保护用户数据隐私安全的同时, 降低所提方法对用户使用CLLM体验的影响.
论文发现出处
这些页面提供论文线索，不代表同行评审或质量认证。
发表信息与关联版本
软件学报 ↗2026 · 正式发表 · DOI: 10.13328/j.cnki.jos.007712
观测到的版本
平台记录号代表本站观测到的元数据变化，不是作者修订号。来源日期仅到月份或年份时，按该月或该年首日存档。
记录 #1 · 2026-11-04 · 最新观测版本
语义迁移: 面向云端大语言模型交互的数据隐私保护方法
具有强大理解、生成能力的云端大语言模型(cloud large language model, CLLM)已经成为人们日常工作中不可缺少的工具. 然而, CLLM的运行方式意味着用户需要上传原始数据, 这将使得用户的数据隐私安全难以得到有效保障. 现有数据加密方法往往通过添加噪声来改变原始数据形式, 这极易导致数据效用下降, 并影响任务效果. 不同于对原始数据的全盘保护, 将用户数据分为可被识别并用于对齐归属个体的隐私关键信息, 以及不涉及归属问题的普通信息, 并提出保护隐私关键信息, 传递普通信息, 从而在保护数据隐私安全的同时, 维持数据效用. 具体而言, 提出基于语义迁移的用户隐私保护(semantic transfer for privacy protection, STPP)方法. STPP首先基于LLM广泛的先验知识构建语义映射库与语义映射模型, 并通过语义加密将原始信息迁移到具有相似逻辑的新场景. 在获得CLLM反馈后, STPP又通过语义解密将反馈信息还原回原始场景, 从而保护用户数据隐私安全的同时, 降低所提方法对用户使用CLLM体验的影响.
查看此版本解读 →查看此版本原文 ↗