대형언어모델(LLM)은 헬스케어·금융·정부 등 프라이버시가 중요한 영역에 점점 더 많이 배포되지만, 개인식별정보(PII)를 기억하고 노출하는 경향이 보안·컴플라이언스 위험을 낳는다. 기존 방어는 대개 모델 유용성, 프라이버시 보호, 파인튜닝된 비공개 지식 접근 사이에서 트레이드오프를 강제한다. 연구팀은 정책 기반 접근 제어를 LLM 생성 과정에 직접 내장하는 'Locket(LoRA-Oriented Control via Keyed Entry Tokens)' 프레임워크를 제안한다. Locket은 서로 다른 접근 정책(전체 공개, PII 마스킹을 통한 부분 삭제, 지정된 차등 프라이버시 수준 하의 공개 등)을 인코딩하는 경량 LoRA 어댑터 집합을 학습시키고, 학습된 키 진입 토큰을 시퀀스 수준 하드 라우팅으로 정확히 하나의 LoRA 어댑터와 연결하는 소형 게이팅 모듈을 함께 학습시킨다. 유효한 토큰이 있으면 해당 비공개 지식을 여는 인증 키로 작동하고, 토큰이 없거나 유효하지 않으면 프라이버시 보호 어댑터가 민감한 콘텐츠를 삭제·정제한다. Enron·ECHR·Yelp 데이터셋과 Qwen3, Llama-3.2, Gemma-2-2B 등 다양한 최신 LLM에 대한 실험에서, 올바른 토큰이 제공되면 Locket은 방어 없이 원본 데이터로 파인튜닝한 것과 비슷한 퍼플렉시티를 유지했고, 토큰이 없으면 PII 유출을 크게 줄이면서도 유용성을 유지했다.

• •LLM이 PII를 기억하고 노출하는 위험을 해결하기 위해 정책 기반 접근 제어를 생성 과정에 직접 내장한 Locket 프레임워크를 제안.
• •서로 다른 접근 정책을 인코딩하는 경량 LoRA 어댑터들과, 키 토큰을 정확히 하나의 어댑터에 연결하는 게이팅 모듈을 학습.
• •유효한 토큰은 비공개 지식을 여는 인증 키로 작동하고, 토큰이 없거나 틀리면 프라이버시 보호 어댑터가 민감 콘텐츠를 삭제 정제.
• •Enron, ECHR, Yelp와 Qwen3, Llama-3.2, Gemma-2-2B 실험에서 올바른 토큰 제공 시 원본 파인튜닝과 비슷한 성능을, 토큰 부재 시 PII 유출의 큰 감소를 확인.