English(EN) Privacy-Preserving RAG by Concealing Sensitive Information from External LLMs

新的SEAG框架通过掩盖敏感数据增强RAG隐私

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-14 04:00

研究人员开发了一个名为敏感实体别名生成器（SEAG）的新框架，以增强检索增强生成（RAG）系统中的隐私。SEAG解决了外部大型语言模型（LLM）可能滥用用户查询或检索文档中存在的敏感信息的问题。该框架使用一个轻量级模型来识别敏感实体，用别名替换它们，并创建一个替换表。然后，在将敏感数据发送到外部生成器之前，使用此表来掩盖敏感数据，确保机密信息得到保护。实验表明，SEAG模型在隐藏敏感数据的同时提供正确响应方面达到了80%以上的准确率，其中Qwen-3、LLaMA-3.2和Phi-4等特定模型在掩盖实体方面表现强劲。 AI

影响通过在检索增强生成过程中保护敏感数据，增强了LLM应用程序的隐私。

排序理由该集群包含一篇学术论文，详细介绍了RAG系统隐私的新框架。[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 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇学术论文，详细介绍了RAG系统隐私的新框架。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 55 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Saleh Almohaimeed, Saad Almohaimeed, Mousa Jari, Fahad Alotaibi, Khalid A. Alobaid · 2026-08-14 04:00

通过向外部LLM隐藏敏感信息来实现隐私保护的RAG

arXiv:2608.12675v1 Announce Type: new Abstract: Retrieval-Augmented Generation (RAG) is widely used to improve the performance of Large Language Models (LLMs) in answering user queries. Existing privacy research on RAG has focused on preventing unauthorized users from accessing s…

本文如何被排名

报道来源 [1]

通过向外部LLM隐藏敏感信息来实现隐私保护的RAG

相关实体

相关话题