Paráfrase guiada por LLM reduz reidentificação de autores em textos anonimizados sem destruir a legibilidade
O artigo mostra que modelos de atribuição de autoria conseguem reidentificar autores de textos anonimizados, inclusive transcrições de reuniões e ligações, a partir apenas do estilo de escrita, mesmo depois de removidos identificadores explícitos. Os autores propõem reescrever o texto com um LLM guiado por um perfil estilístico compacto para suprimir esses marcadores, reduzindo o sucesso da atribuição de autoria em 60-70% sem destruir a legibilidade, superando abordagens de privacidade diferencial que sacrificam demais a qualidade do texto.
Modelos de atribuição de autoria, tipicamente classificadores treinados sobre padrões estilométricos, conseguem reidentificar quem escreveu um texto explorando marcadores estilísticos estáveis (escolha de palavras, construção sintática, pontuação), mesmo depois que identificadores explícitos como nome e e-mail são removidos. Os autores mostram que esse risco se estende a texto derivado de fala, como transcrições de ASR de reuniões e conversas de call center, nas quais o vazamento estilométrico pode persistir mesmo após técnicas de anonimização acústica (por exemplo, conversão de voz) já terem sido aplicadas ao áudio original.
A defesa padrão hoje é anonimização baseada em privacidade diferencial (DP), que injeta ruído calibrado nas representações do texto, mas os autores observam que essa abordagem costuma degradar seriamente a qualidade e utilidade do texto resultante, tornando-o pouco prático para publicação real de dados. A alternativa proposta é uma anonimização guiada por prompt e sensível ao estilo: um LLM pré-treinado constrói um perfil estilístico compacto a partir de poucas amostras do texto-alvo e reescreve o conteúdo, suprimindo os marcadores identificáveis de estilo enquanto preserva o significado semântico original.
Em datasets de blogs e reviews, a técnica reduziu o F1 de atribuição de autoria em 60% a 70%, mantendo qualidade de conteúdo e legibilidade, superando de forma substancial tanto as linhas de base com DP quanto as sem DP. O trabalho foi aceito no Interspeech 2026, reforçando a relevância específica para o domínio de fala e transcrição.
O caso ilustra uma dinâmica direta de IA contra IA em segurança: um ataque de reidentificação baseado em aprendizado de máquina (atribuição de autoria) sendo neutralizado por uma defesa também baseada em IA (reescrita guiada por LLM). É relevante para qualquer organização que publique transcrições anonimizadas de reuniões, atendimento ao cliente, ou testemunhos de fontes sensíveis (denunciantes, jornalismo, pesquisa acadêmica), casos em que uma impressão digital estilística residual pode desfazer um pipeline de anonimização aparentemente cuidadoso. O achado também deixa claro que a técnica de anonimização hoje mais estabelecida, baseada em DP, não é suficiente contra atacantes estilométricos modernos baseados em ML, o que pode dar às organizações uma falsa sensação de proteção de privacidade.