PRAG: End-to-End Privacy-Preserving Retrieval-Augmented Generation
Shandong University（山东大学）；Tsinghua University（清华大学）；Inspur Yunzhou Industrial Internet Co., Ltd.（浪潮云洲工业互联网有限公司）
PRAG提出一种端到端隐私保护的检索增强生成系统，通过双模式架构在不牺牲云托管RAG可扩展性的情况下实现文档和查询的端到端保密性，实验显示其在大规模数据集上具有竞争力的召回率和抗攻击能力。
2026-04-30 cs.CR
Privacy-Preserving Content-Based Image Retrieval in the Cloud
近年来，随着许多新的用于个人和公司使用的高度交互的多媒体服务和应用的出现，对视觉数据的存储要求一直在增加。这是采用基于云的数据外包解决方案的关键驱动因素。然而，将数据存储外包到云端也带来了新的挑战，必须仔细解决，特别是在隐私方面。在本文中，我们提出了一个安全的框架，外包的隐私保护存储和检索大型图像库。我们的建议是基于一种新的加密方案，名为IES-CBIR，专门设计的媒体图像数据。我们的解决方案支持使用基于内容的图像检索（CBIR）进行加密存储和查询，同时保护隐私。我们已经建立了一个原型所提出的框架，正式分析和证明其安全属性，并通过实验评估其性能和精度。我们的研究结果表明，IES-CBIR是可证明安全的，允许更有效的操作比现有的建议，无论是在时间和空间复杂度，并使更真实，有趣和实际的应用场景。
2015-07-17 cs.CR
Privacy-Preserving Smart Parking System Using Blockchain and Private Information Retrieval
寻找可用的停车位是司机的一个主要问题，特别是在拥挤的大城市，造成交通拥堵和空气污染，浪费司机的时间。智能停车系统是一种新颖的解决方案，使驾驶员能够获得实时停车信息以进行预订。然而，目前的智能停车场要求驾驶员披露他们的私人信息，例如期望的目的地。此外，现有的计划是集中式的，容易受到单点故障和数据泄露的瓶颈。在本文中，我们提出了一个分布式的隐私保护智能停车系统使用区块链。由不同的停车场所有者创建的联盟区块链，以确保安全性，透明度和可用性，建议将他们的停车服务存储在区块链上。为了保护司机的位置隐私，我们采用了私有信息检索（PIR）技术，使司机能够私下从区块链节点检索停车优惠，而不会透露检索到哪些停车优惠。此外，一个简短的随机签名被用来使司机以匿名的方式预订可用的停车位。此外，我们引入了一个匿名支付系统，无法将司机的停车位与特定的停车位联系起来。最后，我们的性能评估表明，该方案可以保护司机的隐私与低通信和计算开销。
2021-01-27 cs.CR
BRACE: Differential Privacy for Dense Associative Memory with LSR Energy
University of Ottawa（渥太华大学）；Fudan University（复旦大学）
针对LSR稠密联想记忆的检索动态隐私问题，提出BRACE差分隐私算法，理论证明其极小极大最优性并建立中心极限定理，实验验证其检索准确性，为能量型联想记忆的隐私保护提供理论基础。
2026-10-09 cs.CR cs.LG
Privacy Without Losing Place: A Paradigm for Private Retrieval in Spatial RAGs
The City University of New York（纽约城市大学）；Northern Michigan University（北密歇根大学）；Sangmyung University（商硕大学）
本文提出PAS机制，通过相对锚编码实现用户位置隐私保护，在保持检索性能的同时提供粗粒隐私保障，且大语言模型能补偿空间检索的不完美。
2026-05-06 cs.CR cs.LG
Fine-Grained Privacy Extraction from Retrieval-Augmented Generation Systems via Knowledge Asymmetry Exploitation
本文提出一种利用知识不对称性从RAG系统中细粒度提取隐私信息的攻击框架，通过自适应提示和神经网络训练实现高隐私提取率。
2025-11-22 cs.CR
Dual Protection Ring: User Profiling Via Differential Privacy and Service Dissemination Through Private Information Retrieval
本文提出双环保护机制，结合差分隐私用户画像与私有信息检索，在提供个性化服务的同时抵御行为攻击和画像监控等隐私威胁，并通过移动应用验证其可行性。
2025-06-16 cs.CR
Extended Combinatorial Constructions for Peer-to-peer User-Private Information Retrieval
我们认为用户私有信息检索（UPIR），一个有趣的替代私人信息检索（PIR）引入Domingo-Ferrer等人。在UPIR中，数据库知道哪些记录已被检索，但不知道查询发布者的身份。UPIR的目标是从数据库中隐藏用户简档。Domingo-Ferrer等人重点是使用对等社区来构建UPIR方案，我们称之为P2P UPIR。在本文中，我们建立了一个加强模型P2P UPIR和澄清的隐私目标，这些计划使用标准的隐私研究领域的术语。特别是，我们认为，任何解决方案提供对数据库的隐私应尽量减少对其他用户的任何相应的隐私损失。我们分析了现有的计划，包括一个新的攻击的数据库。最后，我们介绍和分析了两个新的协议。而以前的工作集中在一种特殊类型的组合设计称为配置，我们的协议使用更一般的设计。这允许协议设置的灵活性，允许在具有动态方案（其中允许用户进入和离开系统）或提供针对其他用户的增加的隐私之间进行选择。
2012-07-03 cs.CR
Beyond Text: Unveiling Privacy Vulnerabilities in Multi-modal Retrieval-Augmented Generation
Michigan State University（密歇根州立大学）；Jilin University（吉林大学）
该研究首次系统分析多模态检索增强生成（MRAG）在视觉-语言、语音-语言模态下的隐私漏洞，提出黑盒场景下的组合式结构化提示攻击方法，证实攻击者可通过操纵查询提取隐私信息，凸显研发隐私保护MRAG技术的紧迫性。
2025-05-20 cs.CL cs.CR
Synthetic Query Generation for Privacy-Preserving Deep Retrieval Systems using Differentially Private Language Models
Stanford University（斯坦福大学）；Google Inc.（谷歌公司）；Google Research（谷歌研究院）；Google DeepMind（谷歌DeepMind）
针对深度检索系统直接差分隐私训练困难的问题，提出先用差分隐私语言模型生成私有合成查询，再用于训练，显著提升检索质量并保持隐私保证。
2024-05-23 cs.CL cs.CR cs.IR
The Good and The Bad: Exploring Privacy Issues in Retrieval-Augmented Generation (RAG)
Michigan State University（密歇根州立大学）；Jilin University（吉林大学）；Baidu, Inc.（百度公司）
本文通过新型攻击实证评估RAG隐私，发现其会泄露私有检索库，但同时可缓解LLM训练数据泄露，并为检索增强LLM隐私保护提供见解。
2024-02-23 cs.AI cs.CL cs.CR
An Information-Theoretic Privacy Criterion for Query Forgery in Information Retrieval
在以前的工作中，我们提出了一个新的信息理论隐私准则查询伪造领域的信息检索。我们的标准衡量隐私风险之间的分歧用户和人口的查询分布，并考虑作为一个特定的情况下，用户的分布熵。在这项工作中，我们做出了双重贡献。首先，我们彻底解释和证明我们以前的工作中提出的隐私度量，阐述了著名的熵最大化方法和使用熵和分歧作为隐私的措施之间的密切联系。其次，我们试图弥合隐私和信息理论社区之间的差距，通过大量调整我们原来的工作，以达到更广泛的受众，不熟悉信息论和类型的方法的一些技术。
2011-11-17 cs.CR cs.IT math.IT
Private Retrieval Augmented Generation via Random Projection
University of Chicago（芝加哥大学）
本文针对RAG系统的数据存储库隐私风险，提出基于随机投影的轻量方法，在保留语义相似性的同时缓解数据提取攻击，性能优于差分隐私方法，可作为隐私保护RAG的实用基线。
2026-10-16 cs.AI cs.CR
Privacy Implications of Retrieval-Based Language Models
Princeton University（普林斯顿大学）
首次研究基于检索的语言模型（特别是$k$NN-LMs）的隐私风险，发现其比参数化模型更易泄露私有数据，并提出净化文本和解耦编码器等缓解策略以平衡效用与隐私。
2023-05-24 cs.CL cs.CR cs.LG
Privacy-Preserving Important Passage Retrieval
国家的最先进的重要通道检索方法获得了很好的结果，但没有考虑到隐私问题。在本文中，我们提出了一个隐私保护方法，依赖于创建安全的文件表示。我们的方法允许第三方从文档中检索重要段落，而无需了解有关其内容的任何信息。我们使用一种称为安全二进制嵌入的散列方案将关键短语和词袋表示转换为位串，这种方式允许计算近似距离，而不是精确距离。实验结果表明，我们的安全系统产生类似的结果，其非私人同行的清洁文本和嘈杂的语音识别文本。
2014-07-21 cs.CR cs.IR
Privacy-Preserving Retrieval-Augmented Generation with Differential Privacy
University of California, San Diego（加州大学圣迭戈分校）；University of California, Los Angeles（加州大学洛杉矶分校）
针对RAG输出可能泄露敏感信息的问题，本研究探索差分隐私下的RAG，提出仅为需敏感信息的token分配隐私预算的算法，在ε≈10时优于非RAG基线。
2025-11-11 cs.AI cs.CL cs.CR
Security and Privacy in Retrieval-Augmented Generation: Architectures, Threats, Defenses, and Future Directions for Building Trustworthy Systems
Department of Electrical and Electronics Engineering（电子与电气工程系）；Birla Institute of Technology and Science, Pilani, Pilani Campus（比拉理工学院和科学学院，比拉校区）；Department of Computer Engineering, KIIT University（计算机工程系，KIIT大学）；Quantum Cloud Computing and Distributed Systems (qCLOUDS) Laboratory（量子云计算与分布式系统（qCLOUDS）实验室）；Department of Computing and Information Systems（计算与信息系统系）；The University of Melbourne（墨尔本大学）
本文综述了检索增强生成系统在集中式、设备端、联邦和混合范式下的隐私与安全挑战，提出了涵盖检索、上下文构建和生成阶段的统一威胁分类，并分析了攻击类别及防御策略。
2026-06-25 cs.CL cs.CR
Private Information Retrieval With Arbitrary Privacy Requirements for Graph-Based Storage
University of Maryland, College Park（马里兰大学帕克分校）
本文重新定义了私有信息检索中隐私的定义，以适应灵活的隐私需求。通过路径图和环形图两种存储设置，探讨了不同隐私设置下的容量界限或精确容量。
2026-05-11 cs.CR cs.IT cs.NI
An Effective Private Data storage and Retrieval System using Secret sharing scheme based on Secure Multi-party Computation
外包数据的隐私是一个主要的挑战。网络环境的不安全和服务提供商的不可信是使数据库成为服务的障碍。个人身份信息的收集和存储是一个主要的隐私问题。在线公共数据库和资源对用户隐私构成重大风险，因为恶意数据库所有者可能会监视用户查询并推断出有关客户的有用信息。数据隐私方面的挑战是与第三方共享数据，一个私有的信息检索（PIR），它是一种基于网络的信息检索技术，它可以在保证信息安全的同时，防止有价值的信息被第三方未经授权的访问和使用。方案允许用户在查询数据库的同时隐藏检索到的数据的身份。保密性的简单解决方案是在外包之前加密数据。查询执行，密钥管理和统计推断是这种情况下的主要挑战。所提出的系统提出了一种使用秘密共享技术来安全存储和检索私有数据的机制。其思想是开发一种机制来存储私有信息，该机制具有高度可用的存储提供者，可以从任何地方使用查询访问，同时隐藏实际的数据值私有信息检索系统采用基于秘密共享的安全多方计算（SMC）技术实现。多方计算允许多方在各自的私有输入上计算联合函数，通过对不同服务器所拥有的份额进行安全计算来获得查询结果。
2015-02-26 cs.CR
Noise-Augmented Privacy-Preserving Empirical Risk Minimization with Dual-purpose Regularizer and Privacy Budget Retrieval and Recycling
University of Notre Dame（圣母大学）
我们提出了噪声增强的隐私保护经验风险最小化（NAPP-ERM），解决了不同的隐私保证的ERM。现有的隐私保护ERM方法可能会受到过度正则化的影响，使用l2项来实现目标正则化之上的强凸性。NAPP-ERM改进了当前的方法，并通过适当设计的增强数据迭代地实现目标正则化，并通过单个自适应加权的两用l2正则化器提供强凸性，从而减轻过度正则化。当目标正则化用于变量选择时，我们提出了一种新的正则化器，同时实现隐私和稀疏性保证。最后，我们提出了一种策略，以检索隐私预算时，满足强凸性的要求，这可以返回给用户，这样的DP的ERM是保证在一个较低的隐私成本比原来计划的，或被回收到ERM优化过程中，以减少注入DP噪声，提高DP-ERM的效用。从实现的角度来看，NAPP-ERM可以通过优化给定噪声增强数据的非扰动目标函数来实现，因此可以利用现有的工具进行非私有ERM优化。我们通过大量的实验说明了NAPP-ERM对变量选择和预测的过度正则化和私人预算检索的缓解效果。
2021-10-16 cs.CR cs.LG stat.ML
Quantum Symmetrically-Private Information Retrieval
私有信息检索系统（PIR）允许用户从在k>=1个服务器上复制的数据库中提取项目，同时满足各种隐私约束。我们展示了量子k-服务器虚拟私有信息检索系统（QSPIR），该系统使用次线性通信，不使用服务器之间的共享随机性，并保护隐私，防止诚实的用户和不诚实的服务器。传统上，没有共享随机性的SPIR根本不存在。
2003-07-10 cs.CR quant-ph
Privacy Challenges and Solutions in Retrieval-Augmented Generation-Enhanced LLMs for Healthcare Chatbots: A Review of Applications, Risks, and Future Directions
Centre for Smart Health, School of Nursing（智能健康中心、护理学院）；The Hong Kong Polytechnic University（香港理工大学）；Department of Electrical and Electronic Engineering（电子与电气工程系）；Faculty of Health Sciences（健康科学学院）；University of Maribor（马里博大学）
本综述分析医疗保健中RAG增强型大语言模型的隐私挑战，综合相关研究，通过流水线框架剖析风险与保护机制，指出临床验证等关键差距并提出方向，为构建兼顾临床有效性与隐私保护的系统提供框架与路线图。
2025-11-17 cs.AI cs.CR
Location Privacy in Cognitive Radios with Multi-Server Private Information Retrieval
基于频谱数据库的认知无线电网络（CRN）已经成为使未授权的次级用户（SU）能够识别由授权的主用户（PU）拥有的信道中的频谱空缺的事实上的方法。尽管有其优点，频谱数据库的使用引起了SU和PU的隐私问题。单服务器专用信息检索（PIR）已被用作解决这个问题的主要工具。然而，这样的技术招致极大的通信和计算开销，同时仅提供计算隐私。另外，有些PIR协议被破坏了。在本文中，我们表明，它是可能实现高效率和（信息理论）隐私的PU和SU在数据库驱动的CRN与多服务器PIR。我们的主要观察结果是，通过设计，数据库驱动的CRN包括联邦通信委员会要求同步其记录的多个数据库。据我们所知，我们是第一个利用这一观察来利用多服务器PIR技术来保证SU和PU的最佳隐私的公司，这要归功于数据库驱动的CRN的独特属性。我们通过分析和实际云系统上的部署经验表明，多服务器PIR是在数据库驱动的CRN中提供有效位置隐私的理想工具。
2019-07-03 cs.CR cs.NI
Privacy-Preserving LLM Embedding Transmission for End-Cloud Collaboration
State Key Laboratory of Blockchain and Data Security, Zhejiang University（浙江大学区块链与数据安全国家重点实验室）；College of Computer Science and Technology, Zhejiang University（浙江大学计算机科学与技术学院）；Hangzhou High-Tech Zone (Binjiang) Institute of Blockchain and Data Security（杭州高新技术开发区（滨江）区块链与数据安全研究所）
本文针对端云协同中嵌入反转攻击导致的隐私泄露问题，提出基于熵扰动的EntroGuard方法，可在保护嵌入隐私的同时维持检索性能，且无需修改嵌入模型。
2026-09-01 cs.CR
PrivateMail: Supervised Manifold Learning of Deep Features With Differential Privacy for Image Retrieval
Massachusetts Institute of Technology（麻省理工学院）
差分隐私提供了强有力的保证，例如在后处理下的不可变隐私。因此，它通常被视为在分散和孤立的数据上学习的解决方案。这项工作的重点是监督流形学习，这是一种可以为目标用例生成微调流形的范例。我们的贡献是双重的。1)我们提出了一种新的差分私有方法\textit{PrivateMail}的监督流形学习，第一个同类我们的知识。2)我们为我们的实验用例提供了一种新的私有几何嵌入方案。我们实验私人的“基于内容的图像检索”-嵌入和查询图像的最近邻居在一个私人的方式-并显示广泛的隐私效用权衡的结果，以及我们的方法的计算效率和实用性。
2021-10-05 cs.CR cs.CV cs.DB
Words Blending Boxes. Obfuscating Queries in Information Retrieval using Differential Privacy
针对现有差分隐私查询混淆方法仅理论上保障隐私、实际易因语义相似泄露用户信息需求的问题，提出新型机制Word Blending Boxes，通过安全盒保护查询词汇，兼具理论与实际隐私保护效果，可有效集成到现有信息检索系统中。
2024-05-15 cs.CR cs.IR
SoK: Privacy Risks and Mitigations in Retrieval-Augmented Generation Systems
Technical University of Munich School of Computation, Information（慕尼黑技术大学计算与信息学院）
本文系统梳理了检索增强生成系统中的隐私风险及缓解措施，提出了隐私风险分类和流程图，揭示了缓解措施的现状和关键考虑因素。
2026-01-07 cs.CL cs.CR
Privacy Preserving Face Retrieval in the Cloud for Mobile Users
Beijing Electronic Science and Technology Institute（北京电子科技学院）；Chinese Academy of Sciences（中国科学院）
最近，云存储和处理已被广泛采用。一个家庭或一个团队中的移动用户可以自动将他们的照片备份到相同的共享云存储空间。由第三方训练和提供的强大的面部检测器可以用于从云存储服务器检索包含特定人群的照片集合。然而，移动用户的隐私可能会泄露给云服务器提供商。同时，人脸检测器的版权也应该受到保护。因此，在本文中，我们提出了一个协议的隐私保护人脸检索在云中的移动用户，同时保护用户的照片和人脸检测器。云服务器只提供存储和计算资源，不能学习用户照片和人脸检测器的任何内容。我们在几个家庭和类中测试我们的协议。实验结果表明，我们的协议可以成功地从云服务器检索正确的照片，并保护用户的照片和人脸检测器。
2017-08-09 cs.CR cs.CV
GoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAG
University of Central Florida（中佛罗里达大学）；Florida International University（佛罗里达国际大学）；University of Florida（佛罗里达大学）
针对现有隐私保护RAG检索方案延迟高、易泄露的问题，提出基于阈值选择的非交互式同态加密检索框架，通过CKKS同态计算与掩码极化方法实现高效安全的检索，性能优于排名式加密方法。
2026-08-03 cs.CL cs.CR cs.IR
Efficient Privacy-Preserving Retrieval Augmented Generation with Distance-Preserving Encryption
College of Computing and Data Science（计算与数据科学学院）；Nanyang Technological University（南洋理工大学）
ppRAG通过CAPRISE加密技术，在不可信云环境中实现高效隐私保护的检索增强生成，提升隐私和效率，适用于资源受限用户。
2026-01-18 cs.AI cs.CR
Exposing Privacy Risks in Graph Retrieval-Augmented Generation
The Pennsylvania State University（宾夕法尼亚州立大学）
本文针对图检索增强生成（Graph RAG）系统，研究其数据提取漏洞，通过定制攻击发现其在减少原始文本泄露的同时更易泄露实体及关系等结构化数据，分析隐私挑战并探索防御机制。
2025-08-24 cs.AI cs.CR cs.IR
P$^2$RAG: Efficient Privacy-Preserving RAG Service Supporting Arbitrary Top-$k$ Retrieval
City University of Hong Kong（香港城市大学）；Peng Cheng Laboratory（鹏城实验室）
针对现有隐私保护RAG系统无法灵活支持大k值且效率低下的问题，提出基于秘密共享和交互式二分法的P$^2$RAG系统，避免排序开销，实现高效且安全的任意top-$k$检索。
2026-05-27 cs.AI cs.CR
Mind the Hook: Source-Level Auditing of Privacy Defenses in Retrieval-Augmented Generation
Northeastern University（东北大学）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Southern Methodist University（南卫理公会大学）
该研究针对RAG的黑盒隐私分数解读难题，提出活跃路径审计方法，通过梳理源级钩子、映射泄漏通道、金丝雀验证，复现分析DP与LPRAG防御的隐私效果，贡献方法论与案例研究。
2026-08-11 cs.CR cs.LG
Private Retrieval, Computing and Learning: Recent Progress and Future Challenges
我们的大部分生活都在网络空间中进行。人类的隐私概念转化为网络空间中发生的许多功能的隐私概念。本文重点讨论三个这样的功能：如何从网络空间私下检索信息（信息检索中的隐私），如何私下利用大规模分布式/并行处理（分布式计算中的隐私），以及如何从分布在多个用户中的私有数据学习/训练机器学习模型（分布式（联邦）学习中的隐私）。文章激励每个隐私设置，描述了问题的制定，总结了突破性的成果，在历史上的每个问题，并给出了最近的结果，并讨论了一些主要的想法，出现在每个领域。此外，跨部门的技术和三个主题之间的相互联系进行了讨论，以及一组开放的问题和挑战。
2021-07-30 cs.CR cs.DC cs.IR
Privacy Conductor: An Architectural Enforcement of Contextual Integrity in LLM-Based Document Retrieval
Tennessee Technological University（田纳西理工大学）
Privacy Conductor是将访问决策从LLM移除的架构，实验显示LLM标签会降低隐私策略有效性，建议隐私政策由人员编写并在模型外实施。
2026-10-14 cs.CR
Privacy-Preserving Text Inference for Health-Misinformation Classification and Semantic Retrieval
National Research Council Canada（加拿大国家研究委员会）；Florida Atlantic University（佛罗里达大西洋大学）
本研究设计了基于CKKS同态加密的隐私保护文本推理框架，用于健康虚假信息分类与语义检索，实验验证了其预测性能与效率优势，为相关应用提供了技术支撑。
2026-10-20 cs.CR cs.LG
LADFA: A Framework of Using Large Language Models and Retrieval-Augmented Generation for Personal Data Flow Analysis in Privacy Policies
Institute of Cyber Security for Society (iCSS) \& School of Computing, University of Kent Canterbury United Kingdom；Honda Research Institute Europe GmbH Germany；Institute of Cyber Security for Society (iCSS) \& School of Computing, University of Kent；Honda Research Institute Europe GmbH
LADFA利用大型语言模型和检索增强生成技术，实现对隐私政策中个人数据流的自动化分析与可视化。
2026-01-15 cs.AI cs.CR
Retrieval-Confused Generation is a Good Defender for Privacy Violation Attack of Large Language Models
China Agricultural University（中国农业大学）
本文提出一种基于大型语言模型检索混淆生成（RCG）的新型防御范式，通过改写用户评论构建干扰数据库并采用最不相关检索策略替换查询数据，高效隐蔽地防御隐私侵犯攻击，在多个数据集和模型上验证了其可行性与优越性。
2025-06-24 cs.AI cs.CR
Differentially Private Synthetic Text Generation for Retrieval-Augmented Generation (RAG)
NEC Corporation（日本电报电话公司）；Institute of Science Tokyo（东京科学研究院）；RIKEN Center for Advanced Intelligence Project（理化学研究所先进智能项目中心）
本文提出DP-SynRAG框架，通过生成差分隐私合成RAG数据库提升隐私保护下的RAG性能，避免重复噪声注入并保持固定隐私预算。
2026-05-12 cs.CL cs.CR cs.LG
Local Private Information Retrieval: A New Privacy Perspective for Graph-Based Replicated Systems
University of Maryland, College Park（马里兰大学帕克分校）
本文重新定义了图基复制系统中多服务器私有信息检索的隐私概念，提出局部用户隐私的新框架，并通过分析不同图结构的容量，探讨局部PIR在通信效率上的提升。
2026-05-11 cs.CR cs.IT cs.NI
Private Information Retrieval Through Wiretap Channel II: Privacy Meets Security
我们考虑的问题，私人信息检索通过窃听通道II（PIR-WTC-II）。在PIR-WTC-II中，用户希望从存储在$N$复制和非通信数据库中的$M$消息中私下检索单个消息（文件）。外部窃听者观察在第$n$数据库和用户之间交换的业务的一部分（其选择的）$μ_n$。除了隐私约束之外，数据库还应该对返回的答案字符串进行编码，使得窃听者完全不了解数据库的\emph{contents}。我们的目标是在结合隐私和安全约束下的PIR-WTC-II的能力特征。我们得到了一个一般的上限问题的形式的最大-最小优化问题，这扩展了逆证明的PIR问题下的非对称流量约束。我们提出了一个可验证性计划，满足安全约束，通过编码的秘密密钥，这是安全地产生在每个数据库，到一个人工噪声向量，使用MDS码。用户和数据库操作在一个角落点的可实现的计划下的PIR不对称的交通约束，使得检索率最大化下施加的安全约束。对于$M=2$和$M=3$消息的情况，对于任何$N$和任何$\boldsymbolμ=(μ_1, \cdots, μ_N)$，上限和下限匹配。
2018-01-18 cs.CR cs.IT math.IT
Quantization Enables Private Dense Retrieval against Malicious Service Providers
École de technologie supérieure（高等技术学院）；Mila（米拉研究所）；Eurecom（欧洲通信学院）；Université du Québec à Montréal（魁北克大学蒙特利尔分校）
针对恶意服务器，提出两轮密码协议实现私有稠密检索，利用低比特量化降低计算成本，实验表明三比特量化在分钟级延迟下保持检索质量。
2026-09-30 cs.AI cs.CR
CIPL: A Channel-Aware Framework for Recoverable Privacy Leakage in LLM Agents
Minjiang University（闽江学院）；Renmin University of China（中国人民大学）；RMIT University（皇家墨尔本理工大学）
CIPL提出一种通道感知评估框架，通过多阶段建模统一比较LLM智能体中隐私泄露的可恢复性，实验揭示存储标签不决定泄露，为异构流水线提供通用比较基准。
2026-09-21 cs.AI cs.CR
Balancing Privacy and Efficiency: Music Information Retrieval via Additive Homomorphic Encryption
University of Washington（华盛顿大学）
该研究提出基于加法同态加密的音乐检索方法，实现音乐专用推理攻击量化、结构感知加法原语优化，在四组音频数据集上验证其兼具隐私性与高效扩展性。
2026-07-30 cs.AI cs.CR cs.DB
Only Pay What You Must Spend: On-Demand Privacy Budget Payment for Differentially Private RAG
College of Computer Science and Technology, National University of Defense Technology（国防科技大学计算机学院）；College of Science, National University of Defense Technology（国防科技大学理学院）
针对现有DP-RAG框架隐私预算浪费问题，提出SparsePay-RAG，通过公共先验、聚类缩小检索范围、自适应访问控制及DP对比解码，实现按需付费，在强隐私约束下取得更优隐私-效用权衡。
2026-09-24 cs.CR cs.DL
Publicly Verifiable Private Information Retrieval Protocols Based on Function Secret Sharing
本研究提出两种多服务器环境下的公开可验证PIR构造及三种实例化，在点查询中实现低通信成本与强可验证性，在谓词查询中通信复杂度不随数据库规模增长，适用于大规模私有查询。
2025-09-17 cs.CR
PIR-RAG: A System for Private Information Retrieval in Retrieval-Augmented Generation
University of Washington（华盛顿大学）；University of Central Florida（中央佛罗里达大学）
针对RAG中用户查询暴露的隐私风险，提出PIR-RAG系统，采用粗粒度语义聚类剪枝搜索空间与基于格的PIR协议，实现高效私密检索，并在端到端延迟上优于现有基线。
2025-09-01 cs.AI cs.CR cs.IR
Auditing Privacy in Multi-Tenant RAG under Account Collusion
University of Bath（巴斯大学）
针对多租户RAG中同一索引下账户共谋导致隐私泄露加剧的问题，提出一种可验证的审计协议，用于认证噪声-选择检索并报告共谋上限内的隐私损失。
2026-05-31 cs.CR cs.IR cs.LG
RAG-CT: Mitigating Privacy Risks on Retrieval-Augmented Generation Systems via Scanning Prompt Distribution
University of Massachusetts Lowell（马萨诸塞大学洛厄尔分校）；City University of Hong Kong（香港城市大学）；Virginia Tech（弗吉尼亚理工大学）；University of South Florida（南佛罗里达大学）；Rochester Institute of Technology（罗切斯特理工学院）
针对RAG系统易受PII泄露攻击的问题，提出基于熵和边际分布分析的轻量级防御方法RAG-CT，在多个数据集上显著降低泄露并优于现有防御。
2026-09-16 cs.AI cs.CL cs.CR
Efficient DPF-based Error-Detecting Information-Theoretic Private Information Retrieval Over Rings
本文提出一种基于环的信息论ED-PIR方案，利用素数幂阶信息论DPF克服了传统APIR的限制，显著减少密钥大小并提升效率，同时降低通信开销，为隐私保护的数据检索提供新框架。
2026-04-01 cs.CR cs.IT math.IT
Privacy-Aware RAG: Secure and Isolated Knowledge Retrieval
针对RAG系统专有知识库的机密性与完整性风险，提出存储前加密文本及对应嵌入向量的方法，在保留RAG性能功能的同时提升隐私防护，为AI服务安全提供方案。
2025-03-17 cs.AI cs.CR
Collusion Resistant DNS With Private Information Retrieval
针对 DoH/ODoH 依赖解析器与代理不合谋假设的问题，本文提出利用单服务器 PIR 的 DNS 扩展 PDNS，并通过原型与轨迹驱动实验证明其可提供强隐私且性能可接受。
2025-07-28 cs.CR cs.NI
Fast Private Location-based Information Retrieval Over the Torus
针对位置服务中的隐私风险，提出基于TFHE同态加密方案的LocPIR框架，利用非多项式求值实现高效比较操作，在保护用户位置隐私的同时具备低交互、低内存开销和高吞吐量，并通过COVID-19警报模型验证了其实用性。
2024-07-29 cs.CR cs.NI
Private Information Retrieval With Arbitrary Privacy Requirements: Introduction and Capacity Results
University of Maryland, College Park（马里兰大学帕克分校）
本文提出任意隐私要求下的私有信息检索问题，在基于图的存储系统中推导容量界限，并引入金字塔存储图以建模服务器存储。
2026-09-15 cs.CR cs.IT cs.NI
