GoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAG
GoldenRetriever 是一个面向隐私保护 RAG 的非交互式同态加密检索框架，基于阈值选择而非 top-k 排序，将计算复杂度从二次降至线性，使用 CKKS 同态计算实现全加密的相似度评估与文档选择，不泄露查询内容、中间分数或所选索引。
Development
- First ReportGoldenRetriever: Non-Interactive Homomorphic Encrypted Retrieval for Privacy-Preserving RAGarXiv cs.CL
- Current Assessment该研究反映了隐私保护 RAG 从交互式协议向非交互式框架演进的趋势，非交互式设计降低了通信开销和延迟，更适用于实际部署。阈值选择机制虽然可能牺牲 top-k 排序的精确性，但换来了计算效率的大幅提升，这可能在隐私敏感场景（如医疗、金融）中更具实用性。可验证的下一信号是：是否有后续工作将阈值选择与 top-k 排序结合，或在实际系统中验证其端到端性能。Agent Pulse · analysis
GoldenRetriever 提出了一种用于隐私保护 RAG 的非交互式加密检索框架。现有 RAG 管道通常在明文数据上运行，存在隐私风险；先前基于同态加密或私有信息检索的方案依赖交互式协议或排序机制，延迟高且有信息泄露风险。GoldenRetriever 采用阈值选择：选择相似度超过预设阈值的文档，而非在加密下进行昂贵的 top-k 排序，将计算复杂度从二次降至线性。实现基于 CKKS 同态计算，支持全加密的相似度评估和文档选择，不泄露查询内容、中间分数或所选索引。为弥合近似加密计算与离散 token 重建之间的差距，引入了精度稳定的掩码极化技术。
GoldenRetriever 的核心技术贡献在于用阈值选择替代 top-k 排序，将加密检索的计算复杂度从 O(n^2) 降至 O(n)，这对大规模语料库的隐私保护检索至关重要。CKKS 同态加密支持近似算术运算，但需要处理精度损失与离散 token 重建之间的鸿沟，论文提出的精度稳定掩码极化技术是解决这一问题的关键。可验证的下一信号是：该方法能否在更大规模语料库上保持精度，以及 CKKS 参数选择对性能的影响。
该研究反映了隐私保护 RAG 从交互式协议向非交互式框架演进的趋势，非交互式设计降低了通信开销和延迟，更适用于实际部署。阈值选择机制虽然可能牺牲 top-k 排序的精确性，但换来了计算效率的大幅提升，这可能在隐私敏感场景（如医疗、金融）中更具实用性。可验证的下一信号是：是否有后续工作将阈值选择与 top-k 排序结合，或在实际系统中验证其端到端性能。
对于处理敏感数据的企业（如医疗、金融、法律），GoldenRetriever 提供了一种在不暴露明文数据的情况下利用 RAG 增强 LLM 的途径，可能降低合规风险并开拓新的应用场景。非交互式设计减少了通信开销，更适合云服务部署。可验证的下一信号是：是否有云服务商或企业采用该技术，或将其集成到现有隐私保护产品中。
GoldenRetriever 可能推动隐私保护 RAG 从理论走向实际应用，特别是在需要严格隐私合规的行业。未来方向可能包括：优化 CKKS 参数以提升精度和性能，扩展支持更复杂的检索逻辑，以及与现有 RAG 系统集成。可验证的下一信号是：论文是否提供开源实现，以及是否有后续工作在实际数据集上报告端到端延迟和精度。