PulseAugur
中
实时 12:19:13
English(EN) $π$-RAG: Oblivious Retrieval via Semantic Quantization and Transcendental Addressing for Large Language Models

新的 $π$-RAG 架构通过超验寻址增强 LLM 隐私

作者 PulseAugur 编辑部 · [1 个来源] ·

一篇新研究论文介绍了一种名为 $π$-RAG 的新颖架构，旨在增强大型语言模型（LLM）检索增强生成（RAG）系统中的隐私。该方法通过使用 $\pi$ 的数字作为不变的间接层，将 LLM 与敏感数据解耦，从而防止直接访问私人记录并减轻反演攻击。该系统包含一个语义量化层，将用户输入映射到确定性偏移量，生成一个 $π$-key，然后指向相关数据负载。该方法旨在提供确定性随机性、可审计性和差分隐私，使其适用于金融和医疗保健等高合规性行业。 AI

影响 为 LLM 数据检索引入了一种新颖的隐私保护技术，有可能在敏感行业得到更广泛的应用。

排序理由 该集群包含一篇详细介绍新技术方法的 arXiv 论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新的 $π$-RAG 架构通过超验寻址增强 LLM 隐私

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Mrunal Kakirwar ·

    $π$-RAG：通过语义量化和超验寻址实现大型语言模型的遗忘检索

    This paper introduces $π$-RAG, a novel architecture for oblivious retrieval that decouples Large Language Models (LLMs) from sensitive data storage without sacrificing semantic understanding. Traditional Retrieval-Augmented Generation (RAG) architectures expose raw vector embeddi…

相关实体

相关话题