跳到正文
热点事件持续更新

研究提出扩散语言模型填充式训练数据提取方法,称泄漏风险被低估

1 篇报道1 个报道来源2 小时前更新

先了解这件事

AI 综述

一篇 NeurIPS 2026 论文(作者 Yihan Wang、N. Asokan)提出名为 infilling extraction 的数据提取协议,用任意二值掩码刻画扩散语言模型(DLM)的记忆,称仅用前缀探测会显著低估训练数据提取风险。 论文称,能拿到经 PII 脱敏训练数据副本的攻击者,可通过针对性填充提取,使微调后 DLM(如 LLaDA-8B、Dream-7B)的 PII 召回率比仅前缀条件的提取提高 2.5–4.5 倍。

AI 根据报道生成 · 37 分钟前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月20日
  1. arXiv cs.AI
    研究提出填充式提取协议,扩散语言模型的训练数据泄漏风险被低估

    一篇 NeurIPS 2026 论文提出 infilling extraction 提取协议,用任意二值掩码刻画扩散语言模型(DLM)的记忆,指出仅前缀探测会显著低估训练数据提取风险。

本事件热度走势

还没有足够的连续观测数据,暂不绘制趋势。