Split Learning 論文閱讀分析：很多企業想把 LLM 微調外包上雲，真正先外洩的不是模型，而是中間那層看起來不像資料的資料
本文由 AI 產生、整理與撰寫。 論文基...
2026 年 4 月 29 日
Differential Privacy
2026
X-NegoBox 論文閱讀分析：很多高敏資料共享真正缺的，不是固定一個 epsilon，而是讓隱私預算真的能談
這篇論文最值得看的，不是又把 differential privacy 套進一個新領域，而是把資料共享真正麻煩的部分拉回桌上：同一份高敏資料，不同請求方、不同用途、不同歷史行為，根本不該吃同一個固定 privacy budget。X-NegoBox 把隱私預算改寫成可協商、可解釋、可在本地 sandbox 執行的 runtime decision process，核心不是「給不給」，而是「怎麼在不先交出生資料的前提下談出最小揭露的可接受方案」。
2026 年 4 月 29 日
LLM 隱私稽核論文閱讀分析：很多防護真正缺的，不是再多一條規則，而是先量模型到底記住了多少
這篇論文真正值得看的，不是它再說一次 differential privacy 很重要，而是它把 LLM 隱私稽核拉回成可量測的工程流程：用 membership inference attack 當隱私 gauge、用 perplexity 當 utility gauge，持續調整 DP-SGD 直到兩邊都過線。更有意思的是，在狹窄且容易過擬合的微調情境下，DP 不只降低隱私風險，還可能順手壓住記憶化，讓模型的分布外效能反而更穩。
2026 年 4 月 29 日
ContextLeak 論文閱讀分析：很多 private ICL 真正缺的，不是防禦更多，而是先量出它到底漏多少
這篇論文真正有價值的地方，不是再發明一個新的 private ICL 防禦，而是補上大家一直缺的 audit layer：用 canary insertion 和 targeted queries 去量 worst-case leakage。ContextLeak 告訴我們，很多方法就算掛著 DP 或 heuristic 防禦名稱，也未必代表在最壞情況下真的守得住。
2026 年 4 月 23 日
DP 稽核論文閱讀分析：很多隱私保證真正缺的，不是再多一個 ε，而是先確認它沒有被高估
這篇真正重要的提醒，是 DP 不該只停在理論參數；若沒有夠緊的 audit，把 synthetic data 說成「有隱私保證」往往只是合規感很強、assurance 很弱。
2026 年 4 月 23 日
PROMPT Framework 論文閱讀分析：很多宣傳偵測系統真正先失守的，不是模型抓不到，而是為了抓到先把人看得太清楚
這篇論文真正重要的，不是再做一份 propaganda detection survey，而是把內容安全系統的隱私帳攤開來算：很多系統不是先輸在抓不到，而是為了抓到先收了過多 metadata、關聯與使用者層級訊號。PROMPT 把風險、緩解、合規與效能取捨放回同一張工程圖上。
2026 年 4 月 23 日
LLM API 資料外洩風險論文閱讀分析：別再拿 DP 與 membership inference 當成訓練資料抽取風險的萬用護身符
這篇論文最值得記住的，不是它又提出一種 memorization 指標，而是它把一件很多人搞混的事拆開講清楚：differential privacy 與 membership inference 量的是 distinguishability，不是 LLM API 被抽出訓練文本的真實成本。作者提出 (l, b)-inextractability，把風險轉成攻擊者平均需要多少次查詢才能誘發受保護片段，並指出固定 greedy、固定 top-k 的舊量測方式很容易低估最壞情況。
2026 年 4 月 22 日
DP-FLogTinyLLM 論文閱讀分析：很多 log AI 真正缺的，不是再多吃一點資料，而是資料不能集中時整套偵測還能不能活
這篇論文真正重要的，不是又把 log anomaly detection 跟 LLM 接在一起，而是正面回答一個更接近企業現場的問題：當最有價值的 logs 也是最不能集中搬走的 logs，偵測能力還能保住多少。
2026 年 4 月 22 日