核心观点与研究成果
智能体隐私安全与人机交互研究聚焦于AI代理在隐私保护和用户交互中的应用，主要分为输入阶段和输出阶段。输入阶段关注数据隐私和身份验证，输出阶段关注虚假信息识别与审查。
用户隐私偏好建模与交互通过情境完整性理论，开发APP量化隐私价值，揭示用户对不同数据和传输位置的隐私风险感知差异，为端云协同隐私保护提供理论依据。
创新隐私政策展示技术提出基于图形化人机验证码的沉浸式隐私政策展示技术，降低认知负荷，提升理解效果，并设计了体验反思和行动三阶段框架，让用户实时管理隐私风险。
隐私保护技术与用户偏好对齐挑战探讨隐私安全风险的展示与建模方法，指出技术解释的不可靠性对设计隐私保护方案的影响。实验发现模型自我置信度与实际准确率无关，且模型解释不可靠。
智能隐私管理技术提出基于双向交互的隐私管理方法，通过智能体对齐用户隐私偏好，设计了端侧隐私信息检测与抹除技术，显著提升隐私管理效率，用户反馈良好。
高效自然身份验证技术研究手机捏握与智能眼镜投眼协同的身份验证方法，实现熄屏状态下快速验证，提高用户接受度和泛化能力。
智能体辅助多人协同事实核查研究提出基于标注聚类的视频识别方法，有效提升用户识别深度伪造视频的能力，并分析社交媒体上事实核查请求的效率，为平台优化机制提供参考。
社交媒体事实核查与AI协同创新研究发现社交媒体评论中包含有效事实核查信息，通过AI与人类协同，可提高核查效率和质量，减少偏见。
智能隐私保护与虚假信息防范的社会化趋势探讨AI决策的社会影响及对隐私规范的理解，指出AI可能在群组中传播虚假信息，加剧不诚实行为，需尊重人类隐私与安全规范。
个性化隐私偏好与AI安全风险教育讨论个性化隐私偏好在AI领域的应用，设计交互反馈机制帮助用户理解隐私安全风险，强调教育用户关于数据采集和推断风险的重要性。
模型生成虚假信息与敏感信息处理讨论实验中用户可能提供假信息的问题，以及如何通过明确数据使用方式和交叉验证来获取更真实的数据。同时，分析模型可能生成虚假信息的情况，以及如何在生成敏感信息时保持信息与上下文的结构一致性。
视频内容的事实核查与技术挑战讨论视频内容中虚假信息的事实核查问题，提出在视频上直接标注或绘画以直观展示误导性内容的方案，并提及视频平台如抖音和YouTube已开始实施众包事实核查。
隐私风险量化与评估技术探讨隐私信息量化评估的必要性与挑战，包括使用置信度和颜色表示敏感度，以及AI自我解释后的校准技术。
关键数据与研究结论
- 用户对个人信息采集类别和传输对象最为关注。
- 沉浸式隐私政策展示技术降低了认知负荷，提升了理解效果。
- 模型自我置信度与实际准确率无关，模型解释不可靠。
- 端侧隐私信息检测与抹除技术显著提升隐私管理效率。
- 手机捏握和智能眼镜投眼协同的身份验证方法提高了用户接受度和泛化能力。
- 社交媒体评论中包含有效事实核查信息，AI与人类协同可提高核查效率。
- AI可能在群组中传播虚假信息，需尊重人类隐私与安全规范。
- 个性化隐私偏好应用需设计交互反馈机制，帮助用户理解隐私安全风险。
- 模型可能生成虚假信息，需保持合成信息与用户上下文结构的合理性。
- 视频内容的事实核查可应用于各种视频平台，如抖音和YouTube。
- 可量化衡量隐私风险，如用置信度和颜色表示信息敏感度。
未来研究方向
- 关注多智能体与多人交互中的隐私安全问题。
- 强调AI在社会化环境下的可信与安全挑战。
- 通过大规模数据训练智能体理解和预测个体隐私需求。
- 设计交互反馈机制和可解释性技术帮助用户了解风险。
