保护去标识化文档免受基于搜索的链接攻击
计算与语言
2026-03-18 v2 人工智能
摘要
虽然去标识化模型可帮助遮蔽文档中提及的个人身份信息，但它们无法解决链接风险，即将去标识化文本映射回其来源的潜在可能性。最直接的做法是从去标识化文档中提取短语并检查其在原始数据集中的存在性。本文提出一种方法，以防止基于搜索的链接攻击，同时保持文本的语义完整性。该方法分为两个步骤。首先，我们构建文本集合中出现的N-gram的倒排索引，从而高效确定哪些N-gram出现的文档数少于 （单独出现或与其他N-gram组合）。然后，查询基于大语言模型的改写器，对这些片段进行迭代重构，直至无法进行链接。在两个数据集（法院案件和维基百科传记）上的实验结果表明，改写方法有效防止了基于搜索的链接，同时忠实于原始内容。然而，我们也指出，借助更先进的语义方法，链接仍可能可行。
引用
@article{arxiv.2510.06383,
title = {Protecting De-identified Documents from Search-based Linkage Attacks},
author = {Pierre Lison and Mark Anderson},
journal= {arXiv preprint arXiv:2510.06383},
year = {2026}
}