PRESS：通过嵌入空间偏移保护检索增强生成中的隐私

基于摘要分析。本文研究检索增强生成（RAG）在外部信息检索过程中面临的隐私泄露风险，提出 PRESS，通过调整文本嵌入空间，使潜在隐私泄露查询映射到安全目标，以保护检索环节中的私有信息。 方法包含两个阶段：首先，使用基于 proximal policy optimization（PPO）的训练对预训练语言模型进行优化，生成目标训练样本；随后，利用这些样本对文本嵌入模型进行定向偏移微调，引导风险查询在嵌入空间中的映射。摘要所描述的核心干预对象是检索用文本嵌入模型，而非直接修改生成模型的输出策略；安全目标的定义、训练样本的构造规则及具体优化目标尚未验证。 作者报告，在代表性模型与数据集上的实验表明，PRESS 能在保持 RAG 正常功能的同时实现较高防御性能与效率。摘要未提供模型及数据集名称、评估指标、数值、攻击设置或对照基线，因此尚不能量化防护收益及效用代价。实验协议、消融及统计信息尚未验证；阅读全文时需核对隐私威胁模型、安全目标的选择方式，以及对未见风险查询与正常查询的评估范围。 本文的主要研究对象是文本 RAG 隐私防护，所给材料不包含 EEG 或 BCI 实验，也未建立面向神经信号任务的具体机制对应关系，不能据此推断其具有 BCI 隐私保护效果。