超越本地与外部：可信知识获取的博弈论框架

云托管的 大语言模型 (LLM) 提供无与伦比的推理能力和动态知识，但向这些外部服务提交原始查询可能会暴露敏感的用户意图。相反，完全依赖受信任的本地模型可以保护隐私，但由于参数规模和知识有限，通常会损害答案质量。为了解决这一困境，我们提出了博弈论可信知识获取（GTKA），这是一个将知识效用和隐私之间的权衡制定为战略博弈的框架。 GTKA 由三个组件组成：（i）一个隐私感知子查询生成器，它将敏感意图分解为通用的、低风险的片段； (ii) 对抗性重建攻击者尝试从这些片段推断原始查询，提供自适应泄漏信号； (iii) 一个值得信赖的本地集成器，在安全边界内综合外部响应。通过以交替对抗的方式训练生成器和攻击者，GTKA 优化了子查询生成策略，以最大化知识获取的准确性，同时最小化原始敏感意图的可重构性。为了验证我们的方法，我们在生物医学和法律领域构建了两个敏感领域基准。大量实验表明，与最先进的基线相比，GTKA 显着减少了意图泄漏，同时保持了高保真答案质量。