ContextLens：对不完美的隐私和安全环境进行建模以实现法律合规性

个人对数据隐私和人工智能安全的担忧是高度情境化的，并且超出了敏感模式。解决这些问题需要对背景进行推理，以识别和减轻潜在风险。尽管研究人员已经广泛探索使用 大语言模型 (LLM) 作为情境化安全和隐私评估的评估器，但这些工作通常假设完整且清晰的上下文可用，而现实世界的上下文往往是模糊且不完整的。在本文中，我们提出了 ContextLens，这是一个基于半规则的框架，它利用 LLM 将输入上下文置于法律领域，并明确识别已知和未知因素以实现法律合规性。我们的 ContextLens 不是直接评估安全结果，而是指示 LLM 回答一系列精心设计的问题，这些问题涵盖适用性、一般原则和详细规定，以评估对预定义优先级和规则的遵守情况。我们对涵盖通用数据保护条例 (GDPR) 和欧盟人工智能法案的现有合规基准进行了广泛的实验。结果表明，我们的 ContextLens 可以显着改善 LLM 的合规性评估，并且无需任何训练即可超越现有基线。此外，我们的 ContextLens 可以进一步识别模糊和缺失的因素。