个性化大语言模型（LLM）越来越多地使用画像条件推理，即将公开请求与用户特定的丰富事实配对。这种方式会泄露用户画像本身以及用户的显式共享偏好。为此我们提出 Profile‑DP，这是一种面向策略感知的本地差分隐私框架，专门用于个性化 LLM 推理中的用户画像发布。Profile‑DP 在将公开指令、画像模式和已授权事实视为公开侧信息的前提下，提供对用户隐藏事实的可证明隐私上界。通过先生成一个私有化的画像，再与公开指令组合生成答案，框架将形式化的隐私保证与下游模型行为解耦。
我们实现了两种满足 Profile‑DP 的有限域机制：DP‑SLOT 对受保护属性独立扰动；DP‑BLOCK 则利用公开的语义决策协同发布相关属性，并联合采样。两者均通过一个正向的公开兼容先验将属性关联起来，同时保持整体画像的隐私界限。
在 PEEP 基准上，DP‑BLOCK 在所有 13 种结构化预算下的效用复合得分最高，并在 26 种格式‑预算设置中有 18 种最接近理想的隐私‑效用点。直接测量显示两者互补：DP‑BLOCK 泄露更少信息，而 DP‑SLOT 能保留更多已授权事实。这些结果表明，策略感知的画像发布可以成为研究隐私与个性化的实用基础。
点评