arXiv cs.CL· Pierre Lison, Mark Anderson·· 12 小时前AI 评分31
用 LLM 重写抵御基于搜索的链接攻击：保护去标识化文档
Protecting De-identified Documents from Search-based Linkage Attacks
AI 导读
研究者提出一种两步方法抵御基于搜索的链接攻击：先为文本集合中的 N-gram 构建倒排索引，定位出现于少于 k 篇文档的 N-gram 及其组合，再用 LLM 重写器迭代改写这些片段直至无法链接。在法院案件和 Wikipedia 传记两个数据集上，该方法能有效阻止基于搜索的链接并保持内容忠实，但更先进的语义导向方法仍可实现链接。
正文 · AI 翻译
摘要：虽然去标识化模型有助于隐藏文档中提及的个体身份，但它们无法解决关联风险，即把去标识化文本映射回其来源的可能性。执行此类关联的一种直接方式是从去标识化文档中提取短语，并检查它们是否存在于原始数据集中。本文提出一种方法，在保持文本语义完整性的同时抵御基于搜索的关联攻击。该方法分两步进行。我们首先为文本集合中出现的 N-gram 构建倒排索引，从而能够高效地确定哪些 N-gram 单独或与其他 N-gram 组合出现在少于 $k$ 篇文档中。随后迭代查询基于 LLM 的重写器来改写这些片段，直到不再可能建立关联。在两个数据集（法院案件和维基百科传记）上的实验结果表明，该改写方法能够有效阻止基于搜索的关联，同时保持对原始内容的忠实。然而，我们也指出，借助更先进的、面向语义的方法，关联仍然可行。
| 主题： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用为： | arXiv:2510.06383 [cs.CL] |
| （或 arXiv:2510.06383v3 [cs.CL] 为此版本） | |
| https://doi.org/10.48550/arXiv.2510.06383 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Pierre Lison [查看邮箱]
[v1]
2025年10月7日星期二 19:02:21 UTC（77 KB）
[v2]
2026年3月16日星期一 20:06:11 UTC（152 KB）
[v3]
2026年10月21日星期三 15:29:32 UTC（167 KB）
来源：arXiv cs.CL · arxiv.org