Buchumschlag

OSNIP: Breaking the Privacy-Utility-Efficiency Trilemma in LLM Inference via Obfuscated Semantic Null Space

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Cao, Zhiyuan, Ma, Zeyu, Yang, Chenhao, Zheng, Han, Chen, Mingang
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Breaking the Trilemma of Privacy, Utility, Efficiency via Controllable Machine Unlearning
von: Liu, Zheyuan, et al.
Veröffentlicht: (2023)

WordGame: Efficient & Effective LLM Jailbreak via Simultaneous Obfuscation in Query and Response
von: Zhang, Tianrong, et al.
Veröffentlicht: (2024)

Obfuscated Activations Bypass LLM Latent-Space Defenses
von: Bailey, Luke, et al.
Veröffentlicht: (2024)

Breaking the MoE LLM Trilemma: Dynamic Expert Clustering with Structured Compression
von: Zhu, Peijun, et al.
Veröffentlicht: (2025)

Breaking Obfuscation: Cluster-Aware Graph with LLM-Aided Recovery for Malicious JavaScript Detection
von: Liang, Zhihong, et al.
Veröffentlicht: (2025)

Machine Unlearning via Null Space Calibration
von: Chen, Huiqiang, et al.
Veröffentlicht: (2024)

A Bias-Accuracy-Privacy Trilemma for Statistical Estimation
von: Kamath, Gautam, et al.
Veröffentlicht: (2023)

A Theoretical Analysis of Efficiency Constrained Utility-Privacy Bi-Objective Optimization in Federated Learning
von: Gu, Hanlin, et al.
Veröffentlicht: (2023)

Mitigating the Safety Alignment Tax with Null-Space Constrained Policy Optimization
von: Niu, Yifan, et al.
Veröffentlicht: (2025)

NPAT Null-Space Projected Adversarial Training Towards Zero Deterioration
von: Hu, Hanyi, et al.
Veröffentlicht: (2024)

Training-Free Multi-User Generative Semantic Communications via Null-Space Diffusion Sampling
von: Grassucci, Eleonora, et al.
Veröffentlicht: (2024)

Semantic Scheduling for LLM Inference
von: Hua, Wenyue, et al.
Veröffentlicht: (2025)

PrivDiffuser: Privacy-Guided Diffusion Model for Data Obfuscation in Sensor Networks
von: Yang, Xin, et al.
Veröffentlicht: (2024)

Breaking Semantic-Aware Watermarks via LLM-Guided Coherence-Preserving Semantic Injection
von: Gao, Zheng, et al.
Veröffentlicht: (2026)

Breaking Model Lock-in: Cost-Efficient Zero-Shot LLM Routing via a Universal Latent Space
von: Yan, Cheng, et al.
Veröffentlicht: (2026)

Good-Enough LLM Obfuscation (GELO)
von: Belikov, Anatoly, et al.
Veröffentlicht: (2026)

Architecture Shape Governs QNN Trainability: Jacobian Null Space Growth and Parameter Efficiency
von: Poppel, Michael, et al.
Veröffentlicht: (2026)

SpecOffload: Unlocking Latent GPU Capacity for LLM Inference on Resource-Constrained Devices
von: Zhuge, Xiangwen, et al.
Veröffentlicht: (2025)

Misclassification Rate and Privacy-Utility Trade-offs in Graph Convolutional Networks via Subsampling Stability
von: Zhang, Yexin, et al.
Veröffentlicht: (2026)

Enhancing Trade-offs in Privacy, Utility, and Computational Efficiency through MUltistage Sampling Technique (MUST)
von: Zhao, Xingyuan, et al.
Veröffentlicht: (2023)

Enhance Sample Efficiency and Robustness of End-to-end Urban Autonomous Driving via Semantic Masked World Model
von: Gao, Zeyu, et al.
Veröffentlicht: (2022)

CENTAUR: Bridging the Impossible Trinity of Privacy, Efficiency, and Performance in Privacy-Preserving Transformer Inference
von: Luo, Jinglong, et al.
Veröffentlicht: (2024)

Preserving Privacy and Utility in LLM-Based Product Recommendations
von: Khezresmaeilzadeh, Tina, et al.
Veröffentlicht: (2025)

Breaking Privacy in Federated Clustering: Perfect Input Reconstruction via Temporal Correlations
von: Yang, Guang, et al.
Veröffentlicht: (2025)

Breaking the Quality-Privacy Tradeoff in Tabular Data Generation via In-Context Learning
von: Han, Xinyan, et al.
Veröffentlicht: (2026)

Privacy for Fairness: Information Obfuscation for Fair Representation Learning with Local Differential Privacy
von: Xie, Songjie, et al.
Veröffentlicht: (2024)

Privacy Blur: Quantifying Privacy and Utility for Image Data Release
von: Mahloujifar, Saeed, et al.
Veröffentlicht: (2025)

Uncovering Causal Drivers of Energy Efficiency for Industrial Process in Foundry via Time-Series Causal Inference
von: Ma, Zhipeng, et al.
Veröffentlicht: (2025)

RLHFSpec: Breaking the Efficiency Bottleneck in RLHF Training via Adaptive Drafting
von: Wang, Siqi, et al.
Veröffentlicht: (2025)

Null-Space Filtering for Data-Free Continual Model Merging: Preserving Stability, Promoting Plasticity
von: Qiu, Zihuan, et al.
Veröffentlicht: (2025)

Defending Against Alignment-Breaking Attacks via Robustly Aligned LLM
von: Cao, Bochuan, et al.
Veröffentlicht: (2023)

Position: The Complexity of Perfect AI Alignment -- Formalizing the RLHF Trilemma
von: Sahoo, Subramanyam, et al.
Veröffentlicht: (2025)

XQuant: Breaking the Memory Wall for LLM Inference with KV Cache Rematerialization
von: Tomar, Aditya, et al.
Veröffentlicht: (2025)

Teleportation With Null Space Gradient Projection for Optimization Acceleration
von: Wu, Zihao, et al.
Veröffentlicht: (2025)

Revisiting Privacy, Utility, and Efficiency Trade-offs when Fine-Tuning Large Language Models
von: Das, Soumi, et al.
Veröffentlicht: (2025)

Boost Post-Training Quantization via Null Space Optimization for Large Language Models
von: Zhao, Jiaqi, et al.
Veröffentlicht: (2025)

Preempting Text Sanitization Utility in Resource-Constrained Privacy-Preserving LLM Interactions
von: Carpentier, Robin, et al.
Veröffentlicht: (2024)

Privacy-Utility-Bias Trade-offs for Privacy-Preserving Recommender Systems
von: Parsarad, Shiva, et al.
Veröffentlicht: (2025)

RL-Obfuscation: Can Language Models Learn to Evade Latent-Space Monitors?
von: Gupta, Rohan, et al.
Veröffentlicht: (2025)

AdaBlock-dLLM: Semantic-Aware Diffusion LLM Inference via Adaptive Block Size
von: Lu, Guanxi, et al.
Veröffentlicht: (2025)