GraphProfiler：通过个人知识图进行源链接敏感属性推断

通过聚合许多普通帖子的间接线索，可以从用户生成的内容中推断出年龄、收入和职业等敏感属性。基于 LLM 的分析器可以自动且高精度地执行这种聚合，这使得大规模个人属性推断成为主要的隐私威胁。然而，现有的基于大语言模型的分析器对于哪些特定的帖子、概念和关系可以进行推断提供的洞察有限，而这是有针对性的隐私缓解的关键，即仅编辑或重写实际上泄漏属性的少数帖子，而不是扰乱整个历史记录。我们引入了 GraphProfiler，这是一个基于 LLM 的可审计分析器，它将每个用户的帖子历史记录表示为源链接的个人知识图，其中节点和边可追溯到原始帖子，并将属性预测解析为引用的图记录和源文本。 GraphProfiler 在八属性 SynthPAI 基准上达到了 86.7% 的攻击成功率，与纯文本基线相差两点以内，在 PANDORA 上达到了 84.6%，同时引用了超过 98% 的预测的支持证据。我们的受控消融实验提供的证据表明，引用的帖子有助于攻击成功，因为删除它们比删除相同数量的随机帖子更能降低攻击成功率。