研究：代码模型PII泄露风险因类型而异
热点事件持续更新
研究：代码模型PII泄露风险因类型而异
1 篇报道1 个报道来源1 小时前更新
先了解这件事
AI 综述
Hua Yang 等作者发表论文，用结构因果模型估计训练动态对代码模型（LLM4Code）泄露个人信息（PII）的因果效应。结果显示，泄露风险因 PII 类型而异：IP 地址等较易学习的实例泄露率更高，密钥和密码等较难学习的类型泄露更少。 作者称，这是首个表明泄露风险具有类型依赖性的因果证据，可用于指导按 PII 类型和学习难度设计的防御。研究先构建包含多种 PII 类型的数据集，再微调不同规模的代表性代码模型。
AI 根据报道生成 · 1 小时前更新
最新进展10月27日 12:00
训练动态如何影响代码模型隐私风险：一项因果视角研究报道时间线
沿着报道，了解事件的不同侧面。
10月27日
- arXiv cs.SE训练动态如何影响代码模型隐私风险：一项因果视角研究
研究构建含多种 PII 类型的数据集并微调不同规模的代表性 LLM4Code 模型，通过结构因果模型估计可学习性对泄漏的因果效应。结果显示泄漏风险因 PII 类型而异：IP 地址等易学实例泄漏率更高，密钥和密码等较难类型泄漏更少。这是首个表明泄漏风险具有类型依赖性的因果证据，可用于指导类型感知与可学习性感知的防御设计。
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。