Learning to Refer: Client-Resolved Generation for Privacy-Aware Language Models
该论文关注云端大语言模型（LLM）在医疗、法律等敏感领域落地时的核心矛盾：用户必须把明文数据交给服务方推理，而现有的隐私保护方案（如同态加密、安全多方计算、差分隐私、联邦学习、表征加噪等）普遍存在明显短板——要么以牺牲任务效用为代价，要么带
#prompt-privacy
共收录 2 条相关情报。
← 返回所有主题LLMs as Linguistic Chameleons: Decoupling Semantics and Structure for Privacy-Preserving Communication
背景与问题：随着 LLM API 被大量集成进隐私敏感的业务流程，如何在推理阶段既保护输入隐私又不牺牲下游任务效用，成为一个突出难题。现有隐私保护方案（如加密、噪声扰动、局部替换等）通常需要保留大部分原始语义，以维持模型推理质量，但这也意味