OSNIP：通过嵌入语义零空间遮蔽实现 LLM 推理隐私
机器学习
2026-02-02 v1
摘要
我们提出一种名为 Obfuscated Semantic Null space Injection for Privacy (OSNIP) 的轻量级客户端加密框架，用于隐私保护的大语言模型推理。概括线性核几何直觉至高维 LLM 潜在空间，我们正式定义“遮蔽语义零空间”，该空间在保持语义保真度的同时实现对原始嵌入的近正交性。通过注入投影原始嵌入至该空间的扰动，OSNIP 确保无需后处理即可实现隐私保护。此外，OSNIP 采用密钥依赖的随机映射，合成针对每个用户唯一的扰动轨迹。评估在 12 个生成和分类基准上表明，OSNIP 实现了最佳性能，显著降低攻击成功率，同时在严格安全约束下保持强大的模型实用性。
引用
@article{arxiv.2601.22752,
title = {OSNIP: Breaking the Privacy-Utility-Efficiency Trilemma in LLM Inference via Obfuscated Semantic Null Space},
author = {Zhiyuan Cao and Zeyu Ma and Chenhao Yang and Han Zheng and Mingang Chen},
journal= {arXiv preprint arXiv:2601.22752},
year = {2026}
}