该论文研究了基于局部组合（local combination）方法的合成数据生成技术所导致的隐私泄露风险。合成数据被视为在敏感场景下共享数据的一种有前景的解决方案，但近年来的隐私攻击研究表明，尤其是那些不基于差分隐私等正式隐私框架的合成数据生成方法，仍然存在显著的残余风险。本文重点关注三种局部组合方法：SMOTE、Simulant 和 Avatar，它们近期被用于医疗健康领域以分享“匿名化数据”。作者对这些方法进行了系统性的隐私分析，实施了多种攻击手段，包括成员推断攻击、链接攻击和重建攻击。实验结果表明，这三种方法均存在实质性的隐私泄露，这严重质疑了该类合成数据输出在实践中是否应被视为匿名。论文的核心贡献在于：第一，明确了局部组合合成数据方法在多种隐私攻击下的脆弱性；第二，通过统一的攻击框架对三种代表性方法进行了横向对比；第三，为合成数据的隐私评估提供了实证依据。该研究适合数据隐私研究人员、合成数据开发人员以及依赖合成数据进行数据共享的机构（尤其是医疗健康领域）阅读，以认识局部组合方法的隐私边界。”

大型语言模型（LLMs）在交互式和检索增强场景中日益部署，引发了显著的隐私担忧。以往的研究通常孤立地分析成员推断攻击（MIA）、属性推断攻击（AIA）、数据提取攻击（DEA）和后门攻击（BA），缺乏对它们在常见系统因素下行为的统一理解。本文首先建立了一个统一的威胁模型和符号体系，复现了一组具有代表性的隐私攻击，随后开展结构化消融研究，系统评估模型架构、规模、数据集特征以及检索配置等关键因素对攻击效果的影响。实验发现：基于掩码的成员推断攻击表现出强且稳定的信号；后门攻击凭借其触发机制获得始终如一的高成功率；属性推断和数据提取攻击仍具挑战，准确率较低，但因其针对敏感个人信息而风险突出。总体而言，LLM系统中的隐私风险高度依赖上下文，并受设计选择驱动，强调了全面评估和知情部署实践的必要性。