论文：重新思考基于 LLM 的强化学习中顺序决策的隐私问题

强化学习 (RL) 在关键实际应用领域的崛起，迫切需要对 AI 系统中的隐私进行根本性的重新思考。传统隐私框架旨在保护孤立的数据点，但在序列决策系统中，敏感信息是从时间模式、行为策略和协作动态中生成的。现代 RL 范式，如联邦强化学习 (FedRL) 和基于 LLM 的强化学习人类反馈 (RLHF)，加剧了这些挑战，因其引入了复杂、交互式和情境依赖的学习环境，而传统方法无法解决。在本位论文中，我们主张建立一种新的隐私范式，基于四个核心原则：多尺度保护、行为模式保护、协作隐私保护和情境感知适应。这些原则揭示了在 RL 系统日益普及的高风险领域（如医疗保健、自动驾驶和由 LLM 提供决策支持系统）之间，隐私、实用性和可解释性之间固有的内在冲突。为应对这些挑战，我们呼吁发展新的理论框架、实用机制和严格的评估方法，以整体上实现序列决策系统中的有效隐私保护。