该论文来自 arXiv(cs.LG / cs.NI),关注 Wi-Fi 信号数据被滥用导致的个人隐私泄露问题。作者指出,现有的人体定位/姿态预测研究普遍依赖信道状态信息(CSI),因为 CSI 能提供子载波级的高粒度信道特征,定位精度高。但 CSI 采集通常需要提升的操作系统权限以及专用网卡驱动与固件支持,在多数消费级 IoT 设备上难以实现,这限制了此类隐私攻击的适用范围。相对地,RSSI(接收信号强度指示)在普通设备上几乎总能读取,甚至仅需有限用户权限即可获得,只以 dBm 数值形式呈现,粒度远低于 CSI,但可获得性极强。 论文的核心研究问题是:能否跳过重新采集训练数据的繁琐过程,直接把低粒度的 RSSI 数据喂给一个已经用 CSI 训练好的模型,实现跨域推理(cross-domain inference)并预测人的位置?为此,作者收集了一套 RSSI 数据集,并与室内人员移动的视频真值进行时间同步,用该数据集评估现有 CSI 姿态预测模型在 RSSI 输入下的表现。实验结果表明,当室内存在人体移动时,RSSI 数据可达到约 80% 的置信度用于位置预测。这证明以 CSI 训练的模型可以被复用来处理由 dBm 组成的低粒度 RSSI 数据,从而粗略定位采集空间内的人员。作者由此得出结论:在 Wi-Fi 密集的环境中,大量权限受限的普通 IoT 设备都可能被用于侵犯隐私。 该工作属于隐私侧信道与无线感知方向,价值在于把'高门槛 CSI 攻击'降级为'低门槛 RSSI 攻击',并验证了模型跨域迁移的可行性,对 IoT 隐私风险评估与无线频谱侧防护研究具有参考意义。

本文研究点地图（dot maps）这一可视化形式在公开发布时可能导致的隐私泄露问题。点地图将敏感数据中的每个个体以地理区域上的一个点呈现，被广泛用于展示空间分布规律。然而，现有文献对大面积区域点地图的隐私风险认知有限。作者系统性地分析了此类风险，并提出一个自动化框架 AutoLocate，用于对点位置进行高精度恢复。AutoLocate 的核心洞察是：地图渲染过程中产生的抗锯齿（anti-aliasing）伪影会无意中编码关于点位置的亚像素（sub-pixel）信息，使攻击者即使看到的是像素级图像，也能推断出点的实际坐标。AutoLocate 将位置恢复建模为黑盒优化问题，通过迭代调整候选坐标，最小化目标地图与渲染候选地图之间在这些伪影上的感知差异，从而逼近真实位置。作者在真实世界和合成数据集上进行了大量实验，覆盖不同攻击场景以及多种地图配置（如比例尺、背景、分辨率），验证了方法的有效性。实验结果显示，在美国小尺度地图上，平均恢复误差低至约 1 米，相当于约 0.0002 像素的定位精度，比现有方法精确 200 倍以上。论文还提出了缓解策略，并发布了一个隐私风险评估工具，帮助实践者在发布点地图前评估并降低隐私泄露风险。本文适合对数据可视化隐私、地理信息安全和人工智能安全感兴趣的研究人员、隐私工程师和数据发布方阅读。

本论文聚焦于学术预印本平台中的信息安全问题，特别是通过LaTeX源文件无意泄露敏感信息的风险。预印本作者通常需要上传LaTeX源文件以供排版和编译，但这些源文件中可能残留大量元数据、个人信息、修改痕迹或无效的匿名化内容，例如注释中的姓名/机构、文件属性中的作者信息、历史审阅记录等。这类隐性泄露不仅可能破坏双盲评审的公平性，还会导致研究未发表即暴露隐私，甚至被恶意利用。论文提出了一种基于大型语言模型（LLM）的大规模系统性分析方法，对预印本档案（如arXiv）中的LaTeX源码进行自动扫描与语义理解，以检测传统静态规则难以发现的复杂泄露模式。研究核心可能包括：设计面向LaTeX源文件的LLM提示工程与上下文学习策略，从非结构化文本中识别敏感实体；构建自动化流水线，对海量预印本进行高效筛查；并通过统计量化揭示各类泄露的普遍性和严重程度。该工作的主要贡献在于将LLM应用于预印本安全审计这一全新场景，提供了可复现的方法论和实证数据，为学术出版安全、匿名评审机制以及研究者隐私保护提供了重要参考。由于当前仅提供标题信息，本摘要依据标题及领域常识进行概括，具体技术细节需查阅原文。