arxiv：2310.01424v2 [CS.CL] 2024年6月18日__

arxiv：2310.01424v2 [CS.CL] 2024年6月18日

可下载资源数量

已经购买

下载数量：1

单价	0 1.0
Coupon	100% 0%
Total	0 1.0

点击下载点击购买并下载

点击购买，资源将自动在新窗口打开.

机构名称：

arxiv：2310.01424v2 [CS.CL] 2024年6月18日

¥ 1.0

热度

摘要 - LARGE语言模型（LLMS）近年来显示出大大提高的性能，这归因于增加的规模和广泛的培训数据。这一进步导致了行业和公众的广泛利益和收养。但是，在机器学习模型中训练数据记忆的模型大小，尤其是与LLM有关的尺寸。记忆的文本序列有可能直接从LLM中泄漏，从而对数据隐私构成严重威胁。已经开发了各种技术来攻击LLM并提取其培训数据。随着这些模型的不断增长，此问题变得越来越关键。帮助搜索者和政策制定者了解有关隐私攻击和缓解的知识状态，包括需要更多工作的地方，我们介绍了有关LLMS数据隐私的第一个SOK。我们（i）确定攻击在LLM上不同的显着维度的分类法，（ii）使用我们的尺寸分类法对现有攻击进行系统化，以突出关键趋势，（iii）调查现有的缓解策略，突出其优势和局限性，以及（iv）（iv）确定了关键的空白，表明了开放问题和问题。

添加pdf代下载 VIP点击下载文件