论文提出 PrivacyFlow，报告无隐私违规完成率提升 22–55 个百分点。
资讯摘要
论文提出智能体隐私基准 agentic PrivacyBench（986 个任务序列、5873 个任务，含动态环境更新与基于情境完整性 CI 的敏感信息允许集）及防御方法 PrivacyFlow。该方法将隐私规划（System 2）与任务执行（System 1）分离，执行前追踪数据流来源与目的、建模接收方背景知识并模拟外部可推断内容，再权衡披露风险与任务效用。作者报告在六个模型上显著减少步骤级隐私失败，无隐私违规完成的任务序列占比提升 22–55 个百分点。
要点速读
- 论文提出 agentic PrivacyBench，包含 986 个任务序列、5873 个任务，带动态环境更新和 CI 允许集。
- PrivacyFlow 将隐私规划与执行分离，执行前分析数据流来源、目的、接收方背景知识与可推断后果。
- 作者报告六个模型上无隐私违规完成序列占比提升 22–55 个百分点，并指出隐私—效用—自主性权衡。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/11/3 08:00:27（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。