面向本地差分隐私文本改写的经验隐私损耗校准

大型语言模型的日益普及增加了通过隐私保护方式共享文本数据的兴趣。一个突出的研究方向通过本地差分隐私（LDP）下的文本改写来解决此挑战，即在发布前对输入文本进行本地隐私混淆，提供形式化隐私保证。这些保证通常由参数ε表达，后者上限为最坏情况下的隐私损耗。然而，命名的ε值往往难以解释和跨机制比较。在本工作中，我们调查如何在LDP下对文本改写机制进行经验校准。我们提出TeDA方法，通过假设检验框架构建文本可区分性审计（分别在表层空间和嵌入空间），实现对隐私化后文本不可区分性的经验评估。将其应用于多个代表性机制后，我们展示，相似的命名ε上限可能意味着截然不同的可区分性水平。经验校准为评估隐私-效用权衡提供更可比的基础，也为实际LDP文本改写部署中的机制比较与分析提供了实用工具。