Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2501.02407

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2501.02407 (cs)
[提交于 2025年1月5日 (v1) ,最后修订 2025年5月4日 (此版本, v2)]

标题: 面向语言模型的匿名化

标题: Towards the Anonymization of the Language Modeling

Authors:Antoine Boutet, Lucas Magnana, Juliette Sénéchal, Helain Zimmermann
摘要: 自然语言处理(NLP)的迅速发展已经革新了许多领域,包括医疗保健。 然而,这些进展引发了重要的隐私问题,特别是在微调并专门针对敏感数据的预训练模型可能会记住并暴露和重复个人信息的情况下。 本文提出了一种保护隐私的语言建模方法,以解决语言模型匿名化的问题,从而促进它们的共享。 具体来说,我们提出了一种掩码语言建模(MLM)方法,用于专门化类似BERT的语言模型,以及一种因果语言建模(CLM)方法,用于专门化类似GPT的模型,以避免模型记住训练数据中存在的直接和间接的身份信息。 我们使用医学数据集对我们的方法进行了全面评估,并与不同的基线进行了比较。 我们的结果表明,通过在模型专门化过程中避免记住直接和间接标识符,我们的掩码和因果语言建模方案在保持高隐私性的同时保留高实用性方面提供了良好的权衡。
摘要: Rapid advances in Natural Language Processing (NLP) have revolutionized many fields, including healthcare. However, these advances raise significant privacy concerns, especially when pre-trained models fine-tuned and specialized on sensitive data can memorize and then expose and regurgitate personal information. This paper presents a privacy-preserving language modeling approach to address the problem of language models anonymization, and thus promote their sharing. Specifically, we propose both a Masking Language Modeling (MLM) methodology to specialize a BERT-like language model, and a Causal Language Modeling (CLM) methodology to specialize a GPT-like model that avoids the model from memorizing direct and indirect identifying information present in the training data. We have comprehensively evaluated our approaches using a medical dataset and compared them against different baselines. Our results indicate that by avoiding memorizing both direct and indirect identifiers during model specialization, our masking and causal language modeling schemes offer a good tradeoff for maintaining high privacy while retaining high utility.
主题: 计算与语言 (cs.CL) ; 密码学与安全 (cs.CR); 机器学习 (cs.LG)
引用方式: arXiv:2501.02407 [cs.CL]
  (或者 arXiv:2501.02407v2 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2501.02407
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Antoine Boutet [查看电子邮件]
[v1] 星期日, 2025 年 1 月 5 日 00:03:18 UTC (5,831 KB)
[v2] 星期日, 2025 年 5 月 4 日 21:12:15 UTC (12,055 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-01
切换浏览方式为:
cs
cs.CR
cs.LG

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号