新研究探讨了大型语言模型（LLM）代理带来的隐私风险，展示了它们通过结合细微线索和公共信息来去匿名化个人的能力。一项研究发现，LLM代理在稀疏数据场景下重建身份的比例高于传统方法。另一篇论文介绍了AURA，一个由LLM驱动的框架，旨在平衡匿名化和效用保留，提高对代理重新识别攻击的抵抗力，同时保留上下文信息。 AI
影响 LLM代理去匿名化用户льзова户的能力需要新的隐私评估方法和防御措施来保护敏感信息。
排序理由 该集群包含两篇学术论文，详细介绍了LLM的能力和潜在风险的研究。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2603.18382v2 Announce Type: replace Abstract: Anonymization is often assumed to protect privacy once explicit identifiers are removed, because re-identification has historically required specialized expertise, tailored algorithms, and manual corroboration. We show that LLM-…
arXiv:2605.30848v1 Announce Type: cross Abstract: Agentic LLMs with web search change the threat model for text anonymization: weak contextual cues can become cross-referenceable evidence for re-identification, yet those same details also carry downstream analytic value of the te…