面向 LLM 赋能网络服务中数据隐私的基于报价的数据留存机制
机器学习
2026-04-14 v5 计算机科学与博弈论
摘要
将大语言模型(LLM)部署于下一代网络优化引入了新的数据治理挑战。移动网络运营商(MNO)日益利用生成式人工智能(AI)进行流量预测、异常检测和服务个性化，这需要访问用户的敏感网络使用数据——包括移动模式、流量类型和位置历史。根据《通用数据保护条例》(GDPR)、《加州消费者隐私法》(CCPA)及类似法规，用户保留撤回同意和要求删除数据的权利。然而，大规模机器遗忘会降低模型准确性并产生大量计算成本，最终损害所有用户的网络性能。我们提出了一种迭代价格发现机制，使 MNO 能够通过连续报价来补偿用户以留存数据。服务器逐步提高留存数据的单价，而用户在每个报价下独立确定其数据供给。该方法无需预先了解用户的隐私偏好，并能有效最大化整个网络生态系统中的社会福利。
引用
@article{arxiv.2503.23001,
title = {Quotation-Based Data Retention Mechanism for Data Privacy in LLM-Empowered Network Services},
author = {Bin Han and Di Feng and Zexin Fang and Jie Wang and Hans D. Schotten},
journal= {arXiv preprint arXiv:2503.23001},
year = {2026}
}
备注
Accepted by IEEE ICC 2026 WKSPS