机构名称：
¥ 1.0
大型语言模型（LLMS）功能的最新进展（Devlin等人，2019年；布朗等人。，2020年； Zhao等。，2023年），导致了他们广泛的收养，作为工业和学术NLP各种任务的基础（Bom- Masani等人。，2021）。在数十亿和数十亿的参数计数中，这些模型需要大量的数据才能进行训练和微调（Hoffmann等人。，2022）。同时，这种过度分析能够记忆和潜在的LLMS训练数据的泄漏或提取（Biderman等人，2023; Carlini等。，2023; Hartmann等。，2023）。综上所述，LLMS所需的培训数据和记忆能力提出了实质性问题（Li等人，2023）。这种风险更加复杂，因为LLM与所有监督学习者一样，在具有与培训数据相似的分布的测试集上表现最好。因此，寻求部署实际上有效的LLM的组织必须使用反映其部署分布的数据，并使用特定的，敏感的数据（例如医疗记录或通话记录），导致绩效提高，但相应地
数据匿名用于隐私性的大语言模型在呼叫成绩单上微调
主要关键词
相关文件推荐
