यह शोधपत्र अंतर्निहित, प्रासंगिक, या अनुमान योग्य जानकारी (जिसे इस शोधपत्र में अर्थगत गोपनीयता के रूप में परिभाषित किया गया है) की सुरक्षा में मौजूदा डेटा गोपनीयता उपायों की अपर्याप्तता को संबोधित करता है क्योंकि बड़े पैमाने के भाषा मॉडल (एलएलएम) संवेदनशील क्षेत्रों में तेज़ी से तैनात किए जा रहे हैं। यह शोधपत्र एक जीवनचक्र-केंद्रित ढाँचा प्रस्तुत करता है जो विश्लेषण करता है कि SoK का उपयोग करने वाले एलएलएम के इनपुट प्रसंस्करण, पूर्व-प्रशिक्षण, फ़ाइन-ट्यूनिंग और संरेखण चरणों के दौरान अर्थगत गोपनीयता जोखिम कैसे उत्पन्न होते हैं। हम प्रमुख आक्रमण वेक्टरों को वर्गीकृत करते हैं और मूल्यांकन करते हैं कि वर्तमान रक्षा तंत्र, जैसे कि विभेदक गोपनीयता, एम्बेडिंग एन्क्रिप्शन, एज कंप्यूटिंग और अनलर्निंग, इन खतरों का कैसे मुकाबला करते हैं। हमारा विश्लेषण अर्थगत-स्तरीय सुरक्षा में गंभीर कमियों को उजागर करता है, विशेष रूप से संदर्भगत अनुमान और संभावित प्रतिनिधित्व रिसाव के विरुद्ध। हम अर्थगत रिसाव को मापने, बहुविध इनपुट की सुरक्षा, पहचान-विहीनता और निर्माण गुणवत्ता में संतुलन, और गोपनीयता प्रवर्तन में पारदर्शिता सुनिश्चित करने जैसी खुली चुनौतियों का समाधान करते हैं, और हमारा लक्ष्य एलएलएम के लिए मज़बूत, अर्थगत रूप से जागरूक गोपनीयता-संरक्षण तकनीकों के डिज़ाइन पर भविष्य के शोध को सूचित करना है।
