?arXiv 17-Mar-2025 LLM相关论文(46/59)
?更多论文见主页/合集
?arXiv ID: arXiv:2503.11573
?论文标题: Synthesizing Access Control Policies using Large Language Models
? 问题背景：现代云计算平台允许管理员编写访问控制策略，以确保数据的安全。然而，手动编写这些策略不仅繁琐而且容易出错，因为确保策略在提供足够访问权限的同时控制正确的权限级别非常困难，需要深厚的专业知识。
? 研究动机：为了简化这一过程，研究人员探索了使用大规模语言模型（LLM）自动生成访问控制策略的可能性。通过零样本提示（zero-shot prompting）技术，LLM可以根据给定的访问请求规范自动生成符合规范的访问控制策略。
? 方法简介：本文提出的方法包括两种场景：一种是给定具体的请求列表（允许或拒绝的请求），另一种是使用自然语言描述请求集。研究团队通过实验验证了不同提示结构对LLM生成策略准确性的影响，发现更精确和结构化的提示可以显著提高生成策略的正确性。
? 实验设计：在47个真实和合成生成的策略数据集上进行了实验，其中包括具体的请求列表和自然语言描述两种类型的提示。实验结果表明，更详细的、结构化的提示可以显著提高LLM生成策略的准确性。
#LLM #RAG #agent #multimodal #大模型
#检索增强 #多模态
?更多论文见主页/合集
?arXiv ID: arXiv:2503.11573
?论文标题: Synthesizing Access Control Policies using Large Language Models
? 问题背景：现代云计算平台允许管理员编写访问控制策略，以确保数据的安全。然而，手动编写这些策略不仅繁琐而且容易出错，因为确保策略在提供足够访问权限的同时控制正确的权限级别非常困难，需要深厚的专业知识。
? 研究动机：为了简化这一过程，研究人员探索了使用大规模语言模型（LLM）自动生成访问控制策略的可能性。通过零样本提示（zero-shot prompting）技术，LLM可以根据给定的访问请求规范自动生成符合规范的访问控制策略。
? 方法简介：本文提出的方法包括两种场景：一种是给定具体的请求列表（允许或拒绝的请求），另一种是使用自然语言描述请求集。研究团队通过实验验证了不同提示结构对LLM生成策略准确性的影响，发现更精确和结构化的提示可以显著提高生成策略的正确性。
? 实验设计：在47个真实和合成生成的策略数据集上进行了实验，其中包括具体的请求列表和自然语言描述两种类型的提示。实验结果表明，更详细的、结构化的提示可以显著提高LLM生成策略的准确性。
#LLM #RAG #agent #multimodal #大模型
#检索增强 #多模态
