无掩码隐私抽取与重写：基于原型学习的领域感知方法

客户端侧隐私重写是部署于隐私敏感领域的大语言模型（LLM）的关键技术。然而，现有方法在隐私与实用性之间难以取得平衡。全文方法常导致上下文扭曲，而基于片段级别的方法依赖不可行的手动掩码或脆弱的静态词典。尝试通过基于提示的 LLM 自动化局部化的方法往往不可靠，因其指令遵循不稳定，导致隐私泄露和过度上下文清除。为此，我们提出了 DAMPER（Domain-Aware Mask-free Privacy Extraction and Rewriting，领域感知无掩码隐私抽取与重写）。DAMPER 通过对比学习将潜在隐私语义 operational 化为紧凑的领域隐私原型（Domain Privacy Prototypes），从而实现精确、自主的片段级局部化。进一步，我们引入了原型引导的偏好对齐（Prototype-Guided Preference Alignment）机制，利用所学原型作为语义锚点构建偏好对，优化符合领域要求的重写策略，无需人工标注。在推理阶段，DAMPER 集成基于抽样的指数机制（Exponential Mechanism），提供严格的片段级差分隐私（Differential Privacy，DP）保证。大量实验表明，DAMPER 在已有基线之上显著优越，实现了更佳的隐私-实用性权衡。