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
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
最新进展11月20日 13:00
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报道时间线
沿着报道,了解事件的不同侧面。
11月20日
- 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。