arXiv 2026年5月29日该工作提出 AURA（Anonymization with Utility-Retention Adaptation），一个由 LLM 驱动的掩码-重构框架，将隐私定位与保效用重构解耦，并用对抗式隐私检查与效用保持检查来筛选候选改写；在真实用户访谈转录上，以网页搜索智能体实施再识别攻击进行评估，结果显示自适应范围的 AURA 在三种攻击者模型下均取得非差分隐私方法中最低的智能体再识别计数，且在范围与骨干模型匹配时，相比此前的 LLM 匿名器在可比隐私下保留更多上下文效用（联合上下文效用网格恢复率 +6.4 个百分点）。该工作提出 AURA（Anonymization with Utility-Retention Adaptation），一个由 LLM 驱动的掩码-重构框架，将隐私定位与保效用重构解耦，并用对抗式隐私检查与效用保持检查来筛选候选改写；在真实用户访谈转录上，以网页搜索智能体实施再识别攻击进行评估，结果显示自适应范围的 AURA 在三种攻击者模型下均取得非差分隐私方法中最低的智能体再识别计数，且在范围与骨干模型匹配时，相比此前的 LLM 匿名器在可比隐私下保留更多上下文效用（联合上下文效用网格恢复率 +6.4 个百分点）。AURA 用掩码-重构与对抗式筛选，在网页搜索智能体再识别攻击下取得非差分隐私方法中最低的再识别计数，并在同等隐私下比既有 LLM 匿名器多恢复 6.4 个百分点的上下文效用该工作提出 AURA（Anonymization with Utility-Retention Adaptation），一个由 LLM 驱动的掩码-重构框架，将隐私定位与保效用重构解耦，并用对抗式隐私检查与效用保持检查来筛选候选改写；在真实用户访谈转录上，以网页搜索智能体实施再识别攻击进行评估，结果显示自适应范围的 AURA 在三种攻击者模型下均取得非差分隐私方法中最低的智能体再识别计数，且在范围与骨干模型匹配时，相比此前的 LLM 匿名器在可比隐私下保留更多上下文效用（联合上下文效用网格恢复率 +6.4 个百分点）。该工作提出 AURA（Anonymization with Utility-Retention Adaptation），一个由 LLM 驱动的掩码-重构框架，将隐私定位与保效用重构解耦，并用对抗式隐私检查与效用保持检查来筛选候选改写；在真实用户访谈转录上，以网页搜索智能体实施再识别攻击进行评估，结果显示自适应范围的 AURA 在三种攻击者模型下均取得非差分隐私方法中最低的智能体再识别计数，且在范围与骨干模型匹配时，相比此前的 LLM 匿名器在可比隐私下保留更多上下文效用（联合上下文效用网格恢复率 +6.4 个百分点）。