新的GRASP方法通过设备端训练增强语言模型匿名化

研究人员开发了GRASP，一种用于增强语言模型匿名器的新方法。与依赖直接偏好优化（DPO）的先前方法不同，GRASP使用群体相对策略优化来训练一个单一的、小型设备端模型。该模型充当匿名器、对抗者和效用判断者，同时优化隐私和意义保留。与DPO基线相比，GRASP展示了改进的隐私-效用权衡，并且在隐私和意义保留方面取得了与Gemini 2.5 Flash和Claude等前沿模型相当或更好的结果，同时运行成本仅为GPT-4o的一小部分。 AI

影响 通过实现具有更高效率和有效性的设备端匿名化，增强了LLM应用中的隐私。

排序理由 该集群包含一篇详细介绍语言模型匿名化新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.CL 阅读 →

• arXiv
• Claude
• Direct Preference Optimization
• Gemini 2.5-Flash
• GPT-4o
• Group Relative Policy Optimization
• Llama-3.1:8b

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →