في عصر يتزايد فيه الاعتماد على نماذج اللغات الضخمة (Large Language Models) في مجالات متعددة، تبرز تساؤلات هامة حول الخصوصية وكيفية حماية المعلومات الحساسة. فقد أظهرت دراسة حديثة جملة من الهجمات التي تُهدد هذه الخصوصية، مثل هجمات استنتاج الانتماء (Membership Inference) وهجمات استنتاج الخصائص (Attribute Inference) وهجمات استخراج البيانات (Data Extraction) وهجمات الأبواب الخلفية (Backdoor Attacks).

تُعتبر هذه الهجمات مثار اهتمام كبير، لكنها غالبًا ما تُحلل بشكل منفصل، مما يخلق ثغرة في فهم سلوكها تحت مختلف العوامل النظامية. في هذه الدراسة، تم تقديم نموذج موحد للتهديدات وتدوين خاص بها، من خلال إعادة إنتاج مجموعة ممثلة من هجمات الخصوصية. تم إجراء دراسة تحليلية منظمة لتقييم تأثير عدة عوامل رئيسية مثل بنية النموذج، والقياس، وخصائص مجموعة البيانات، وإعدادات الاسترجاع.

أبرزت النتائج فروقات واضحة بينها، حيث تُظهر هجمات استنتاج الانتماء، وبخاصة النسخ المعتمدة على الأقنعة، إشارات قوية وموثوقة. بينما تسجل هجمات الأبواب الخلفية نجاحًا مرتفعًا باستمرار بسبب طبيعتها المعتمدة على المحفزات. على العكس، تواجه هجمات استنتاج الخصائص واستخراج البيانات تحديات أكبر، مما يؤدي إلى دقة أقل، لكنها تبقى تشكل تهديدات كبيرة، حيث تستهدف معلومات شخصية حساسة.

تؤكد هذه الدراسة على أن مخاطر الخصوصية في أنظمة نماذج اللغات الضخمة تعتمد بشكل كبير على السياق والاختيارات التصميمية، مما يستدعي تقييمًا شاملًا وممارسات نشر مدروسة بشكل جيد.