PulseAugur
中
实时 11:30:04
English(EN) Denoising-Aware Inversion: Revealing Privacy Risks in Noise-Protected Text Embeddings

新的去噪感知反演方法揭示了噪声文本嵌入中的隐私风险

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种名为去噪感知反演（DAEI）的新方法，以解决通过添加高斯噪声保护的文本嵌入中的隐私风险。由于“双重噪声陷阱”，标准的攻击方法在处理这些扰动嵌入时面临困难。DAEI结合了残差去噪自编码器和生成文本反演，对去噪器进行无监督训练，仅凭噪声观测即可重建原始文本。实验表明，DAEI显著提高了重建质量，BLEU分数相对提高了154%，F1和ROUGE-L也取得了显著的提升，挑战了简单加噪足以保护隐私的假设。 AI

影响 这项研究突显了人工智能模型中常见隐私保护技术的潜在漏洞，表明在嵌入生成中需要更强大的安全措施。

排序理由 该集群包含一篇研究论文，详细介绍了一种分析文本嵌入隐私风险的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的去噪感知反演方法揭示了噪声文本嵌入中的隐私风险

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yubo Wang, Shujie Cui, James Bailey, Hongzhi Yin, Wenyu Liang, Min Tang, Shiyue Qin, Weiqing Wang ·

    Denoising-Aware Inversion: 揭示噪声保护文本嵌入中的隐私风险

    arXiv:2608.18610v1 Announce Type: cross Abstract: Dense text embeddings are widely used in data mining, retrieval, and downstream machine learning systems due to their compact and semantically rich representations, but recent embedding inversion attacks have shown that they can e…

相关实体

相关话题