في مجال الذكاء الاصطناعي، تعتبر الخصوصية عنصرًا أساسيًا، لكن دراسة حديثة سلطت الضوء على قضايا هامة في هذا السياق. تم اختبار 1,536 من تباينات الإصدارات الغاوسية (Gaussian Release Covariances) المتعلقة بالخصوصية في الحالة المخفية (Hidden-State Privacy) من طبقة واحدة، وقد أظهرت النتائج أن لا واحدة منها تحقق التوازن المطلوب بين الفائدة المتوسطة والخصوصية ضد المهاجمين القادرين على استرجاع المعلومات بشكل متكيف.

يقدم البحث أيضًا حداً أدنى تكميلياً باستخدام مبدأ فيشر (Fisher-ball lower bound)، مشيرًا إلى أن كل إصدار غاوسي مكتمل الرتبة عند فائدة فيشر (O(1)) يمتلك اتجاهًا ينمو فيه الإشارة الماهلانية (Mahalanobis signal) بشكل خطي مع زيادة العرض المخفي، مما يستبعد فكرة الأمان العام في هذه الفئة.

يستعرض البحث الآلية المثالية الفريدة المتمثلة في الإصدار الغازي المقلوب القائم على الفائدة والذي يحقق توازنًا جزئيًا، لكنه يلقي الضوء أيضًا على الفجوات الموجودة في التأمين خصوصيتيه.

على الجانب الآخر، آلية الجينرال-أوغن (Generalized-Eigen Mechanism) التي تحقق تقليل Pareto بمقدار 13 مرة تتعطل عندما نواجه مهاجمًا يتسم بالقدرة على استخدام الإشارات الماهلانية، مما يقضي على فائدة النموذج. كما أن المحولات (Transformers) التي تم تدريبها من الصفر تظهر تباينًا ملحوظًا في الأداء مقارنةً بالموديلات المسبقة التدريب، مما يشير إلى أهمية تصميم النموذج أو التعاون في عمليات الإطلاق.

تبين هذه النتائج أنه يجب إعادة صياغة مفهوم الإصدارات للحالة المخفية، لمراجعة كيفية تصميم الآليات أو تكييف الإصدارات في الفئة الغاوسية. لذا، هل نتجه نحو إعادة التفكير في كيفية حماية معلوماتنا في عصر الذكاء الاصطناعي؟