LLM 사용 시 맥락이 풍부한 지시문이 민감한 개인정보를 노출시키는 문제와 관련해, 이 연구는 기존의 획일적 규칙 기반 정제 방식이 왜 효용을 크게 떨어뜨리는지 세 가지 메커니즘으로 분석했다. 데이터 가치가 사용자 의도에 따라 핵심 제약에서 불필요한 잡음으로 바뀌는 '맥락 의존적 효용', 과제가 사실 정확성에 의존하는지 구조적 일관성에 의존하는지에 따라 삭제·대체를 구분하는 '전략적 적응', 속성들이 서로 시너지 또는 상충 관계를 이루는 '조합적 상호작용'이 그것이다. 이를 바탕으로 경량 모델 Veilmind-4B를 활용한 의도 기반 로컬 보호 프레임워크를 제안했으며, 기존 프라이버시 기준선보다 낮은 정보유출과 더 높은 응답 효용을 동시에 달성해 파레토 프론티어에 근접했다.

• •획일적 규칙 기반 정제가 효용을 크게 떨어뜨리는 이유를 3가지 메커니즘으로 규명
• •데이터 가치는 사용자 의도에 따라 '맥락 의존적'으로 달라짐
• •삭제 대 대체 선택은 과제의 사실적 정확성 의존도에 따라 달라지는 '전략적 적응'
• •경량 모델 Veilmind-4B 기반 의도인식 로컬 보호 프레임워크로 프라이버시-효용 파레토 프론티어에 근접