PGPO:面向隐私保护 LLM 增强推荐的原型引导渐进式混淆

Hugging Face Daily Papers 论文

摘要

PGPO 为 LLM 增强推荐提出原型引导的渐进式混淆方法,在保持关系拓扑结构的同时诱导条目辅助信息的语义偏移,从而以极小的效用损失降低嵌入反演攻击的风险。已被 EMNLP 2026 接收。

LLM 增强的推荐系统将条目辅助信息编码为语义嵌入,但这些嵌入可能通过反演攻击泄露敏感的文本属性。现有的输入侧防御依赖可信采集或局部 token 扰动,往往会破坏推荐所需的条目间语义拓扑结构。为此,我们提出以关系保真度为核心目标:为保障隐私需要语义偏移,为保持效用则需保留条目间的相对关系。基于这一原则,我们提出原型引导渐进式混淆(PGPO),为高影响原型词学习拓扑感知的混淆锚点,并通过静态语义图将其传播。PGPO 使用 GRPO 进行优化,奖励信号包括个体差异性、结构一致性和语义约束。在两个基准数据集上的实验表明,该方法具有强反演防御能力,同时推荐性能接近上界。代码已开源:https://github.com/Shengxiang-Lin/PGPO。
查看原文
查看缓存全文

缓存时间: 2026/11/19 11:28

论文页面 - PGPO:面向隐私保护的 LLM 增强推荐的原型引导渐进式混淆

来源:https://huggingface.co/papers/2611.23236

摘要

查看 arXiv 页面 (https://arxiv.org/abs/2611.23236) 查看 PDF (https://arxiv.org/pdf/2611.23236) 项目页面 (https://shengxiang-lin.github.io/PGPO/) GitHub156 (https://github.com/Shengxiang-Lin/PGPO) 添加到收藏夹 (https://huggingface.co/login?next=%2Fpapers%2F2611.23236)

社区

论文作者

论文提交者

约 2 小时前 (https://huggingface.co/papers/2611.23236#6afebea4f2274dd28e707937)

•

约 1 小时前编辑 (https://huggingface.co/papers/2611.23236#6afebea4f2274dd28e707937) 关键词:LLM 增强推荐;隐私保护;强化学习

TL;DR:PGPO 通过在保持关系拓扑结构的同时诱导语义偏移来保护 LLM 增强推荐中的物品侧信息,以最小的效用损失降低嵌入反转风险。

2026 年经验方法自然语言处理会议(EMNLP)论文集。

通过将文件拖入文本输入框、粘贴或点击此处上传图片、音频和视频。

点击或粘贴此处上传图片

在你的智能体中获取本文:

hf papers read 2611.23236

还没有最新版 CLI?curl -LsSf https://hf.co/cli/install.sh | bash

引用本文的模型 1

Shengxiang-Lin/PGPO 文本生成• 约 1 小时前更新 (https://huggingface.co/Shengxiang-Lin/PGPO)

引用本文的数据集 0

没有数据集链接本文

在数据集的 README.md 中引用 arxiv.org/abs/2611.23236 即可将其链接到此页面。

引用本文的 Spaces 0

没有 Space 链接本文

在 Space 的 README.md 中引用 arxiv.org/abs/2611.23236 即可将其链接到此页面。

包含本文的收藏夹 0

没有收藏夹包含本文

将本文添加到收藏夹 (https://huggingface.co/new-collection) 即可将其链接到此页面。

相似文章

面向进度与可靠性的智能体强化学习组策略优化

arXiv cs.AI

ProGPO是一种免学习评论器的方法,用于LLM智能体基于组的RL中的步骤级优势估计,它使用精确前缀动作比较和基于rollout的状态势,以改善长视界任务上的信用分配。在ALFWorld和WebShop上使用Qwen2.5模型的实验表明,它优于现有的智能体RL基线。

GAGPO:广义优势分组策略优化

arXiv cs.AI

GAGPO提出了一种无评论家的强化学习方法,在多方交互的自主任务中,利用非参数分组价值代理进行步级信用分配,在ALFWorld和WebShop上超越了强基线模型。

多模块 GRPO:组合策略梯度与提示优化的语言模型程序方法

Papers with Code Trending

本文提出 mmGRPO,一种多模块扩展的群体相对策略优化(GRPO)方法,通过优化语言模型调用和提示来提升模块化 AI 系统的准确率。实验表明,该方法在各类任务上平均带来 11% 的准确率提升,并在 DSPy 中提供了开源实现。

组熵控制策略优化

Hugging Face Daily Papers

本文提出组熵控制策略优化(GEPO),一种轻量级扩展GRPO的方法,利用组熵进行熵条件非对称优势塑造,解决了基于强化学习的大语言模型对齐过程中不同任务间的异质熵区域问题。实验表明,相比GRPO和近期熵控制方法,GEPO在多项基准测试中均取得一致提升。