跳到主要内容
检索

# 文本匿名化

2 篇关联报道

订阅更新
  1. arXiv

    AURA 用掩码-重构与对抗式筛选,在网页搜索智能体再识别攻击下取得非差分隐私方法中最低的再识别计数,并在同等隐私下比既有 LLM 匿名器多恢复 6.4 个百分点的上下文效用

    该工作提出 AURA(Anonymization with Utility-Retention Adaptation),一个由 LLM 驱动的掩码-重构框架,将隐私定位与保效用重构解耦,并用对抗式隐私检查与效用保持检查来筛选候选改写;在真实用户访谈转录上,以网页搜索智能体实施再识别攻击进行评估,结果显示自适应范围的 AURA 在三种攻击者模型下均取得非差分隐私方法中最低的智能体再识别计数,且在范围与骨干模型匹配时,相比此前的 LLM 匿名器在可比隐私下保留更多上下文效用(联合上下文效用网格恢复率 +6.4 个百分点)。

  2. 葡萄牙语临床笔记匿名化:大语言模型与量子增强混合架构的比较评估

    该研究构建了由5名受训研究者手工标注1000份葡萄牙语门诊临床笔记的金标准语料库,覆盖患者姓名、日期、标识符、机构与地理位置5类受保护实体,并在500份笔记的留出测试集上比较了两种独立大语言模型(Llama-3.1-8B-instruct、Llama-3.3-70B-instruct)与两种量子增强混合模型(Dynex-QML 8B与70B,通过QUBO形式将LLM最终注意力层转化为全局约束满足问题并由神经形态量子退火求解),结果显示Dynex-QML-70B取得最高宏平均F1为0.855(95% CI 0.823-0.880),高于独立Llama-3.3-70B的0.726、Dynex-QML-8

已读完全部报道