RAG-CT: Mitigating Privacy Risks on Retrieval-Augmented Generation Systems via Scanning Prompt Distribution
检索增强生成(RAG)通过在生成阶段引入外部知识库的检索结果,显著降低了大型语言模型的幻觉与事实性错误,已成为提升 LLM 输出质量的主流范式。然而近期研究揭示了一个关键隐私漏洞:攻击者可构造特定查询,借助检索环节从底层语料库中提取个人可识
共收录 2 条相关情报。
← 返回所有主题检索增强生成(RAG)通过在生成阶段引入外部知识库的检索结果,显著降低了大型语言模型的幻觉与事实性错误,已成为提升 LLM 输出质量的主流范式。然而近期研究揭示了一个关键隐私漏洞:攻击者可构造特定查询,借助检索环节从底层语料库中提取个人可识
该论文系统性地研究了自主Web智能体在面对社会工程攻击时泄露用户个人可识别信息(PII)的问题。作者首先指出,互联网上广泛存在的欺骗性Web内容(即社会工程攻击)能够操纵自主Web智能体将用户的PII提交给攻击者控制的端点。为了量化这一风险