Privacy-Preserving RAG via Multi-Agent Semantic Rewriting: Achieving Confidentiality Without Compromising Contextual Fidelity
基于多智能体语义重写的隐私保护RAG
🧭 多Agent语义重写实现隐私保护RAG
North China Electric Power University · University of Florida · University of Macau · Macau Millennium College
通过多Agent协作语义重写去除检索内容中的隐私，将LLaMA-3-8B信息泄露从144例降至1例，且离线预处理无在线延迟
📌 工作参考价值
- 电商/推荐系统若用RAG检索含用户隐私的文档，可借鉴多Agent语义重写，在构建商品描述或用户画像时去除PII，平衡隐私与语义保真度。
- 异步预处理模块的设计不影响在线服务延迟，适合集成到数据ETL管道中，对实时推荐系统友好。
- 隐私提取-语义分析-重构的三Agent协作模式可复用到内容安全审核，多个代理协同检测并改写敏感信息。
- 对生成式推荐模型，在生成item文案时可用类似方法防止模型泄露训练数据中的隐私信息。
动机：RAG引入外部知识增强了LLM，但检索内容可能包含敏感信息，恶意提示可导致隐私泄露。现有脱敏方法（如SAGE）难以兼顾隐私保护和语义保真度。 方法：提出多Agent框架，包含三个专门代理：隐私提取Agent识别敏感实体（姓名、电话等），语义分析Agent理解上下文含义，重构Agent生成语义等价但无隐私的文本。三个Agent协作进行语义重写，整个流程作为异步预处理模块离线完成，不增加在线推理延迟。 结果：在ChatDoctor和Wiki-PII数据集上，对6个LLM评估。面对目标攻击，LLaMA-3-8B的信息泄露实例从144个降至1个，大幅降低隐私风险；语义保真度方面，BLEU-1达到0.122，优于SAGE的0.117；且离线预处理保持零在线延迟。