LLM Anonymization Against Agentic Re-Identification
抵抗智能体重识别的LLM匿名化框架
🧭 Agent 智能体对抗性隐私保护
Northeastern University
提出掩码-重建的匿名化方法，通过自适应隐私范围平衡抗智能体重识别与文本实用性
📌 工作参考价值（4 点）
- 处理用户评论文本或客服对话时，可借鉴掩码-重建流水线：先用LLM定位敏感上下文并遮蔽，再由另一个LLM生成保留语义的非敏感替代表述，既防重识别又保留分析价值。
- 引入对抗隐私检查环节：模拟网络搜索代理尝试重识别，可作为内部隐私测试工具，确保发布数据前充分抵御真实威胁。
- 设计多维实用性评估：不仅看语义相似度，还考量事实一致性、上下文连贯性等，对评估匿名化后文本在下游任务（如意图分类、查询理解）中的可用性有参考。
- 自适应隐私范围调节：根据数据用途动态调整遮蔽强度（如个性化分析保留更多细节，聚合统计可严格匿名），为业务中动态平衡合规与效用提供工程思路。