论文提出用倒排索引加 LLM 重写抵御去标识文档的搜索式关联攻击。
资讯摘要
论文关注去标识化文档的关联风险，即去标识文本可能被映射回原始数据集。作者提出两步方法：先为文本集合中的 N-gram 构建倒排索引，找出单独或组合出现于少于 k 篇文档的 N-gram；再用基于 LLM 的重写器迭代改写这些片段，直至无法关联。在法院案件和维基百科传记两个数据集上的实验显示，该方法能有效阻止基于搜索的关联，同时保持内容忠实；但作者也指出，借助更先进的语义方法，关联仍可能实现。
要点速读
- 方法先用倒排索引定位出现于少于 k 篇文档的 N-gram，再让 LLM 重写器迭代改写这些片段。
- 在法院案件与维基百科传记两个数据集上，重写可阻止基于搜索的关联并保持内容忠实。
- 作者指出，更先进的语义导向方法仍可能实现关联。
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 2026/10/23 08:00:11（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。