PulseAugur
中
实时 01:03:45
English(EN) Seeing Without Exposing: Adaptive Privacy Control for Open-World, Context-Hungry MLLMs

新方法通过漂移敏感数据增强多模态大语言模型隐私

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了Anchored Privacy Drifting (APD)，一种新颖的无需训练的方法，用于增强多模态大语言模型（MLLMs）的隐私。APD通过在保留关键情境线索的同时，对隐私敏感元素进行语义修改，来解决用户输入和视觉情境可能包含敏感信息的挑战。使用AdaptShield（一个旨在评估隐私保护和情境效用的新基准）对APD的有效性进行了评估，结果显示在多个MLLM系列中均有显著改进。 AI

影响 这种新方法和基准通过更好地保护敏感用户数据，有望带来更安全、更值得信赖的多模态人工智能应用。

排序理由 该集群包含一篇学术论文，详细介绍了一种用于多模态大语言模型隐私的新方法和基准。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Siyuan Xu, Yibing Liu, Peilin Chen, Yung-Hui Li, Shiqi Wang, Sam Kwong ·

    无需暴露即可感知：面向开放世界、情境驱动的 MLLMs 的自适应隐私控制

    arXiv:2606.07175v1 Announce Type: new Abstract: Multimodal large language models (MLLMs) have raised new privacy challenges. On the data side, user-provided inputs often include unpredictable sensitive information; while on the downstream task side, model reasoning depends on ric…

  2. arXiv cs.CV TIER_1 English(EN) · Sam Kwong ·

    无需暴露即可感知：面向开放世界、情境驱动的 MLLMs 的自适应隐私控制

    Multimodal large language models (MLLMs) have raised new privacy challenges. On the data side, user-provided inputs often include unpredictable sensitive information; while on the downstream task side, model reasoning depends on rich visual context that may itself be privacy-sens…

相关实体

相关话题