arXiv · cs.AI · Yixiang Luo, Ziheng Ma, Ke Chang, Jian Wang, Jiqiang Liu · 9 小时前模型评分41
让安全审计不再泄露隐私：面向 大语言模型（LLM，Large Language Model） 智能体的隐私保护审计范式与 SealCall 框架
When Safety Checks Become Privacy Risks: A Privacy-Preserving Paradigm for LLM Agent Safety Auditing
导读
研究者提出一种隐私保护的安全审计范式，把审计计算与明文访问、执行权限分离，并落地为 SealCall 框架，结合学习式审计表示、基于 CKKS 的加密相似度计算和与受审工具调用绑定的执行控制。在 1,252 个公开二元候选样本上，SealCall 在分组嵌套评估下平均 F1 达 0.840，所有测量案例均保留明文审计决策，单次加密评分耗时 0.176 秒。
分类置信度
中 · 待人工复核
- 存在未解决的相邻类别：ai-tooling，需要人工复核。
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
事件类型：研究发布
证据摘录
- “In this work, we propose a paradigm for privacy-preserving safety auditing that separates delegated audit computation from plaintext access and execution authority.”
- “Evaluated on 1,252 public binary candidates, SealCall achieves a mean F1 score of 0.840 under grouped nested evaluation, while preserving plaintext audit decisions in all measured cases.”
- “A representative configuration completes each encrypted scoring operation in 0.176 s.”
来源：arXiv · cs.AI · arxiv.org