研究人员开发了一种新颖的方法来增强由密集嵌入驱动的语义搜索系统的隐私性。该方法解决了嵌入反演攻击的风险，该攻击可以从向量数据库中重建源文本。它结合了几何保护文档集合（使用SVD截断和秘密旋转）与加密保护查询（通过CKKS同态加密）。这种混合策略旨在保持排名质量，并在大型数据集上实现亚秒级延迟，同时在定义的威胁模型内提供强大的隐私保证。 AI
影响 这项研究为保护人工智能驱动的搜索和检索系统中的敏感数据提供了一个潜在的解决方案。
排序理由 该集群包含一篇详细介绍新研究方法的学术论文。
在 arXiv cs.IR (Information Retrieval) 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.26373v1 Announce Type: cross Abstract: Dense embeddings power semantic search and retrieval-augmented generation, but embedding-inversion attacks can reconstruct source text from a vector: when a vector database leaks, the documents behind it leak too. The textbook def…
Dense embeddings power semantic search and retrieval-augmented generation, but embedding-inversion attacks can reconstruct source text from a vector: when a vector database leaks, the documents behind it leak too. The textbook defences are extremes - encrypting the whole search h…