Trust-Aware Adaptive Disclosure for Inference Privacy Preservation in Multi-Agent Networks
本文研究多智能体网络中的隐私保护共识问题。在医疗管理、智能电网等信息关键型系统中，基于智能体的系统日益普及，每个智能体可能拥有一个需要对外部观察者隐藏的潜在目标。现有共识算法通常需要智能体间交换状态信息，这可能导致恶意观察者通过推理攻击推断
#privacy
共收录 546 条相关情报。
← 返回所有主题Forgetting Without Restarting: Execution-State Unlearning for Stateful LLM Agents
本文针对长时运行的有状态 LLM 智能体（agent）提出“执行状态遗忘”（execution-state unlearning）问题。这类智能体不仅保存对话记录，还累积了压缩摘要、明文记忆、待执行的工具计划，以及每次服务 API 下的 K
Exploring Widevine for Fun and Profit.
本文针对广泛部署于数十亿设备上的闭源数字版权管理（DRM）系统 Widevine 展开内部机制研究，重点聚焦 Android 平台。研究动机在于：随着 Netflix、Prime Video 等 OTT（Over-the-Top）平台内容消
Inferring Hidden User Models from the Behavior of Personalized LLM Agents
该论文研究了个性化大语言模型（LLM）智能体的隐私泄露风险。随着LLM智能体将用户记忆转化为压缩或结构化表示（称为用户模型）以指导后续决策，尽管源文本在普通接口可达的状态中被移除，此类模型仍被视为具有更好的隐私保护性，因为直接的内存提取攻击
Privacy, Robustness, and Fairness Trade-offs in Federated Intrusion Detection: Geometric Indistinguishability at the Aggregation Interface
本文针对联邦学习在网络入侵检测（NIDS）中的应用，系统研究了隐私保护、鲁棒性和类别不平衡检测覆盖三者之间的权衡关系。联邦学习允许在不集中敏感流量数据的情况下进行协作训练，但在实际部署中必须同时满足三个相互竞争的要求：严格的差分隐私保证、对
Navigating Security and Privacy Threats in Homeless Service Provision.
本论文的标题为《Navigating Security and Privacy Threats in Homeless Service Provision》，作者包括 Yuxi Wu、Ruoxi Zhang、Mufei He 等。由于本次输
Seeing Less Is Not Seeing Safely: Privacy Leakage from Task-Scoped Robot Perception Exports
本文研究家庭机器人在仅在本地位保留原始传感器数据的情况下，其导出的结构化感知表示仍可能造成隐私泄露的问题。作者指出，即使原始数据不出本地，机器人为了导航、规划、云服务、日志或学习而导出的结构化表示，仍可通过语义、几何、空间结构和任务目标等维
Privacy-Preserving Topology-Guided Safety for LLM-Based Multi-Agent Systems via Federated Graph Learning
本文针对基于大语言模型（LLM）的多智能体系统（MAS）在跨组织协作场景下的安全问题，提出了一种隐私保护的拓扑引导安全机制。现有方法通常假设单一运营方可以汇总所有标注轨迹，在全局通信图上训练图神经网络（GNN）以定位高风险智能体并干预拓扑结
Passive Inference Attacks on Split Learning via Adversarial Regularization.
本文研究拆分学习（Split Learning, SL）场景下的隐私泄露风险，提出了一种名为 SDAR 的新型被动推理攻击框架。拆分学习被视为传统联邦学习的实用高效替代方案，客户端在本地保留部分模型层（即私有模型）并只与服务器交换中间表征，
Blink: Link Local Differential Privacy in Graph Neural Networks via Bayesian Estimation.
该论文提出了一种名为 Blink 的框架，用于在图神经网络（GNN）训练中实现链路本地差分隐私（Link Local Differential Privacy）。研究背景是：GNN 在节点嵌入学习与图推理任务中表现出色，但训练过程可能泄露节
LAMP: Lightweight Approaches for Latency Minimization in Mixnets with Practical Deployment Considerations.
本文为一篇名为《LAMP: Lightweight Approaches for Latency Minimization in Mixnets with Practical Deployment Considerations》的学术预印本
HEAT: Faster Fully Homomorphic Inference via Approximations-Weights Co-Adaptation
本文针对全同态加密（FHE）下运行语言模型推理速度过慢的问题展开研究。在 FHE 密文上，模型只能原生支持加法、乘法和旋转操作，且乘法深度受限，超过一定层数就必须执行高开销的 bootstrapping 操作以继续计算。因此，模型中的非线性
Hearing the Whispers: Black-Box Membership Inference Attacks on Finetuned TTS Models
文本转语音（TTS）基础模型正越来越多地被用于在私有数据集上微调以合成高度个性化的声音，但这同时引入了严重的隐私风险，因为语音既包含生物特征身份又包含敏感语音内容。现有的黑盒成员推理攻击（MIA）通常采用查询生成和表示工程两阶段流程，但直接
Hidden Services Protocol for Mixnets
本文针对混合网络（mixnets）中的接收者隐私问题展开研究。混合网络通过一系列混合节点对数据包进行延迟和加密变换，能够为发送者提供较强的匿名性，但现有的混合网络缺乏同时保护接收者（目的地）隐私的安全协议，尤其是在防止发送者获知接收者身份方
Position: Privacy Is a Claim, Not a Property of Synthetic Data
合成数据已成为机器学习研究中的常见工具，在隐私敏感场景中的应用尤其广泛。然而，作者指出一个关键转变：合成数据在实践中已从“给定假设下的残余推理风险声明”悄然转变为“由数据生成过程本身得出的外观属性”，即许多研究者默认生成出来的数据就具备隐私
Identification of Compositional Risks in Data Protection Impact Assessments and Beyond
本文针对分布式数据处理场景中因服务提供商组合而引发的隐私风险问题展开研究。具体而言，当多个合作的服务提供商共同处理个人数据时，即使每个提供商单独进行的数据保护影响评估（DPIA）均未发现风险，组合后的整体仍可能产生新的隐私风险。文章举例说明
Verification of $K$- and Infinite-Step Strong/Weak Anonymity Using Concurrent Compositions
本文研究部分可观测离散事件系统中的匿名性验证问题。匿名性是一种信息流安全属性，其核心思想是：在外部观察者通过系统输出（观测）推断系统内部状态时，系统不应让某一时刻的状态被唯一确定，从而保护用户隐私。在离散事件系统框架下，已有 K-步匿名性和
Lacan: Making Accountability in Anonymous Networks Real
互联网日常活动中，匿名性和问责制都是基本需求，但二者看似矛盾，难以同时实现。现有方案要么依赖路径上的受托服务器，要么需要逐包授权或逐包公钥运算，要么需要中央权威进行每会话干预，在可部署性、开销或信任模型上存在不足。本文提出 Lacan 协议
MultiGait: A Multi-Sensor Multi-Perspective Multi-Session Biometric Inference Benchmark and its Dataset
MultiGait 论文针对智慧城市新兴传感器（热成像相机、深度相机、激光雷达等）缺乏合适数据集、难以系统评估其隐私风险的问题，构建了首个多传感器、多视角、多会话的步态数据集，并形成了一套身份推断基准。作者认为，在大量关于传感器隐私影响的未
Sparrow: Space-Efficient zkSNARK for Data-Parallel Circuits and Applications to Zero-Knowledge Decision Trees.
本文提出 Sparrow，一种面向数据并行算术电路的空间高效零知识简洁非交互式证明（zkSNARK）方案。zkSNARK 在实际部署中常因证明者空间开销过大而受限，其空间需求可能比原生计算高出数个数量级。Sparrow 首次在固定有限域上实