LLM sebagai Bunglon Linguistik: Memisahkan Semantik dan Struktur untuk Komunikasi yang Menjaga Privasi

API Large Language Model (LLM) semakin banyak tertanam dalam alur kerja yang sensitif terhadap privasi, namun memastikan privasi saat inferensi tanpa mengorbankan utilitas tugas masih menjadi tantangan yang belum terpecahkan. Pendekatan yang menjaga privasi yang ada biasanya mempertahankan sebagian besar konten semantik asli untuk mempertahankan kinerja hilir. Namun, retensi ini meninggalkan petunjuk yang dapat dieksploitasi yang dapat digunakan penyerang untuk merekonstruksi teks asli. Para penulis, Yuzhu Mao dan Liang Zhao, menyelidiki **pemisahan semantik**: mengganti semantik asli dengan konten alternatif sambil mempertahankan properti struktural yang diperlukan untuk penalaran LLM. Hal ini memotivasi **CROSS-MAP**, kerangka kerja dua arah yang memetakan masukan privat ke domain semantik yang berbeda sebelum inferensi dan memulihkan keluaran yang sesuai setelahnya. Ketegangan intinya adalah antara divergensi semantik (untuk mengalahkan rekonstruksi) dan konsistensi semantik (untuk mempertahankan utilitas).

Eksperimen mengevaluasi CROSS-MAP di berbagai pengaturan serangan yang dirancang untuk merekonstruksi masukan asli dari representasi yang ditransformasikan. Para penulis melaporkan bahwa CROSS-MAP **mengurangi keberhasilan rekonstruksi** dibandingkan baseline yang ada, yang menunjukkan perlindungan privasi yang lebih kuat. Pada saat yang sama, CROSS-MAP **mengungguli baseline yang ada dalam hal utilitas**, yang berarti keluaran yang dipulihkan tetap berguna untuk tugas hilir. Hasil ini menunjukkan bahwa pemisahan semantik dapat mencapai trade-off privasi-utilitas yang lebih baik daripada metode yang mempertahankan sebagian besar semantik asli. Makalah ini tidak memberikan nilai numerik spesifik dalam abstrak; metrik terperinci diharapkan ada di teks lengkap.