When Are LLM Inferences Acceptable? User Reactions and Control Preferences for Inferred Personal Information
本研究聚焦于大型语言模型（LLM）在对话中推断用户个人信息（如收入、病史等）所引发的隐私问题。以往研究已证明LLM能够做出潜在违反用户预期的推断，但用户对此类推断的实际感受及期望的控制机制尚不明确。为此，作者开发了“反思层”（Reflect
#cs.HC
共收录 84 条相关情报。
← 返回所有主题Sketch-based Access Control: A Multimodal Interface for Translating User Preferences into Intent-Aligned Policies
访问控制是用户安全领域长期存在的挑战，核心难题在于如何让非专业用户轻松、准确地表达资源访问策略。本文提出了一种基于草图的多模态访问控制授权系统（Sketch-based Access Control, SBAC），将手绘草图的直观表达能力与
Stochastic Modeling of Human-Machine Authentication Channels under Partial Information Leakage
该论文针对IoT和网络物理系统中常见的PIN认证机制，将其建模为低带宽的人机通信信道，并首次提出在部分信息泄露条件下量化认证可靠性衰减的随机模型。传统安全评估通常采用二元视角（完全安全或完全失陷），忽略了实际环境中因侧信道、观察或窃听导致的
Listen to the Voices of Everyday Users: Democratizing Privacy Ratings for Sensitive Data Access in Mobile Apps
Mobile apps frequently request excessive data access, raising significant privacy concerns. While regulations like GDPR