论文
通过多代理语义重写保护隐私的 RAG：在不影响上下文保真度的情况下实现机密性
Privacy-Preserving RAG via Multi-Agent Semantic Rewriting: Achieving Confidentiality Without Compromising Contextual Fidelity
摘要
检索增强生成通过融合外部知识来增强 大语言模型，但将其部署在敏感场景中可能会因恶意提示而导致隐私泄露。为了解决这个问题，我们提出了一个多代理框架，通过语义重写来清理检索到的内容。通过采用三个专门的代理进行隐私提取、语义分析和重建，我们的方法协作删除敏感标识符，同时保留语义核心。我们在六个 大语言模型 的 ChatDoctor 和 Wiki-PII 数据集上评估该框架。实验结果表明，针对性攻击下的隐私泄露显着减少。例如，我们将 LLaMA-3-8B 中的目标信息暴露从基线中的 144 个实例减少到仅 1 个。此外，我们保持了很强的上下文保真度，BLEU-1 得分为 0.122，优于现有 SAGE 方法的 0.117。最后，该框架作为异步预处理模块运行，不会给在线推理带来额外的延迟，因为所有重写都是作为一次性离线预处理步骤执行的。为了提高可重复性，这项工作的源代码可在 https://github.com/foursoils/Privacy-Preserving-RAG 上公开获取。