打破层次推理：面向多模态推理模型的地理隐私对抗保护
计算机视觉与模式识别
2026-03-31 v2 人工智能
摘要
多模态大规模推理模型（MLRM）通过层次链式推理从个人图像中推断出精确的地理位置，构成重大的隐私风险。现有的隐私保护技术主要为感知型模型设计，对抗 MLRM 分析环境线索的高级多步骤推理过程效果不佳。我们提出了 ReasonBreak，一种新型对抗框架，旨在通过概念感知扰动来破坏 MLRM 的层次推理。我们的方法基于关键洞察：有效的地理推理干扰需要扰动与概念层次结构相吻合，而非均匀噪声。ReasonBreak 战略性地针对推理链中的关键概念依赖项，生成扰动以使特定推理步骤失效，并在后续推理阶段产生级联效应。为支持该方法，我们贡献了 GeoPrivacy-6K 数据集，包含 6,341 张超高分辨率图像（≥2K）及其层次概念标注。针对七款最先进的 MLRM（包括 GPT-o3、GPT-5、Gemini 2.5 Pro）进行广泛评估，结果显示 ReasonBreak 在区域级保护方面提升 14.4%（33.8% vs 19.4%），在区块级保护方面几乎翻倍（33.5% vs 16.8%）。本工作确立了针对基于推理威胁的隐私保护新范式。
引用
@article{arxiv.2512.08503,
title = {Disrupting Hierarchical Reasoning: Adversarial Protection for Geographic Privacy in Multimodal Reasoning Models},
author = {Jiaming Zhang and Che Wang and Yang Cao and Longtao Huang and Wei Yang Bryan Lim},
journal= {arXiv preprint arXiv:2512.08503},
year = {2026}
}
备注
ICLR 2026