仅匿名化非意图相关信息：抑制非意图隐私证据
密码学与安全
2026-01-09 v1
摘要
在用户文本中对敏感信息进行匿名化是隐私保护的关键任务，但现有方法常对属性施加统一处理，可能与交际意图冲突，导致必要信息被遮蔽。这在个人属性是表达或语用目标关键组成部分时尤为问题。核心挑战在于确定需保护哪些属性以及保护程度，同时保持语义和语用功能。我们提出IntentAnony（意图依赖匿名化）方法，通过意图条件化暴露控制实现效用保留。IntentAnony建模语用意图，构建隐私推理证据链，捕获分布式线索如何支持属性推断。基于意图，为每个属性分配暴露预算， selectively 抑制非意图推理路径，同时保留意图相关内容、语义结构、情感细微差别及互动功能。我们采用隐私推理成功率、文本效用指标和人类评估对IntentAnony进行评估。结果显示，整体隐私-效用权衡约提升30%，且对匿名化文本的可用性显著优于先前最先进方法。我们的代码已公开于 https://github.com/Nevaeh7/IntentAnony。
引用
@article{arxiv.2601.04265,
title = {You Only Anonymize What Is Not Intent-Relevant: Suppressing Non-Intent Privacy Evidence},
author = {Weihao Shen and Yaxin Xu and Shuang Li and Wei Chen and Yuqin Lan and Meng Yuan and Fuzhen Zhuang},
journal= {arXiv preprint arXiv:2601.04265},
year = {2026}
}
备注
23 pages, 8 figures