![arxiv：2502.05739v1 [cs.cr] 2025年2月9日](/simg/8/8c90dfafcced8491bf122f9146142c704356b63d.webp)
机构名称：
¥ 1.0
代码（LLMS4Code）在代码生成任务中出色的大型语言模型（LLMS4Code）在巨大的软件开发负担中释放开发人员的承诺。尽管如此，由于训练过程中嵌入的敏感信息的潜在泄漏（称为记忆问题），这些模型已被证明遭受了明显的隐私风险。解决此问题对于确保隐私合规性和提高用户信任至关重要，但是到目前为止，文献中的专门研究缺乏关注这一特定方向的专门研究。最近，通过使模型能够“忘记”敏感信息而无需完全重新训练，与传统的数据清洁方法相比，机器的学习是一种有希望的解决方案。在本文中，我们从经验上评估了未学习技术来解决LLMS4Code中隐私问题的有效性。具体来说，我们研究了三种最先进的学习算法和三种众所周知的开源LLMS4Code，这是在一个基准上考虑的，该基准都考虑到要忘记的隐私数据以及这些模型的代码生成capabilite。结果表明，可以通过机器学习来减轻LLMS4CODE的隐私问题，同时维护代码生成功能，这是可行的。我们还剖析了学习后的隐私保护/泄漏形式，并观察到从直接泄漏到间接泄漏有所转变，这突显了解决这种风险的未来研究的需求。
arxiv：2502.05739v1 [cs.cr] 2025年2月9日
主要关键词
![arxiv：2502.05739v1 [cs.cr] 2025年2月9日PDF文件第1页](/bimg/3/3c0f8a31e923de23183a713c70070844514d1689.webp)
![arxiv：2502.05739v1 [cs.cr] 2025年2月9日PDF文件第2页](/bimg/6/6d7671d757aecb0e7a082b03e3b8e581af9dbbe7.webp)
![arxiv：2502.05739v1 [cs.cr] 2025年2月9日PDF文件第3页](/bimg/2/2d3219589c2f2102f37d185fa841f191913540de.webp)
![arxiv：2502.05739v1 [cs.cr] 2025年2月9日PDF文件第4页](/bimg/3/39e2d7620ae4e2ca5f1e0d60f1c7636076404c06.webp)
![arxiv：2502.05739v1 [cs.cr] 2025年2月9日PDF文件第5页](/bimg/5/50751edc628751a3c1e489a0b15693c8a583377d.webp)
相关文件推荐
![arxiv：2502.06651v1 [cs.cr] 2025年2月10日](/simg/8/85d07bd4f031075dcff413f6e20fae8b425df70c.webp)
![arxiv：2502.06956v1 [Quant-ph] 2025年2月10日](/simg/e/e5d48e0cf5320c7badff48c4e2d7683939a7f10c.webp)
![arxiv：2502.03124v1 [eess.sy] 2025年2月5日](/simg/3/33ae2427032dddacf611a2d02fbb8b420f4fa9fb.webp)
![arxiv：2502.12206v1 [CS.AI] 2025年2月16日](/simg/8/83a0040bd75286ed258ba3b033d6e887b6838904.webp)
![arxiv：2502.04950v1 [Quant-ph] 2025年2月7日](/simg/6/62658c8c5932a77940998d5bbf5b5940842a4279.webp)
![arxiv：2502.08616v1 [physics.optics] 2025年2月12日](/simg/8/8f951540de4e0c49f787cb4d6e0dc9301842f228.webp)
![arxiv：2502.00832v1 [CS.CL] 2025年2月2日](/simg/4/460750c88b2c2a3b4270f4bf1f9583392a580e2b.webp)
![arxiv：2502.04250v1 [cond-mat.mes-hall] 2025年2月6日](/simg/e/e86f6a3cbfd2c80782d2669b3ef22eee55945349.webp)
![arxiv：2402.07016v1 [cs.ai] 2024年2月10日](/simg/9/9561106bbf3c742ff1228e38f3ed355eb69ea4a7.webp)