English(EN) Separable Expert Architecture: Toward Privacy-Preserving LLM Personalization via Composable Adapters and Deletable User Proxies

新架构通过可删除的用户代理实现隐私保护的个性化大语言模型

作者 PulseAugur 编辑部 · [1 个来源] · 2026-04-23 11:51

研究人员开发了一种新颖的三层架构，旨在增强个性化大语言模型中的隐私保护。该系统通过利用可组合适配器和可删除的用户代理，将用户特定数据与核心模型权重分离开来。在 Phi-3.5-mini 和 Llama-3.1-8B 上的实验表明，用户数据会影响输出，但不会污染共享权重，并且删除用户代理可以有效地将模型恢复到其基线状态。 AI

影响通过确定性遗忘，在不损害用户数据隐私的情况下实现个性化大语言模型体验。

排序理由学术论文，详细介绍了隐私保护的个性化大语言模型的新颖架构。

在 arXiv cs.LG 阅读 →

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

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Research; 学术论文，详细介绍了隐私保护的个性化大语言模型的新颖架构。
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 137 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Ben Bariach · 2026-04-23 11:51

可分离专家架构：通过可组合适配器和可删除用户代理实现隐私保护的大模型个性化

Current model training approaches incorporate user information directly into shared weights, making individual data removal computationally infeasible without retraining. This paper presents a three-layer architecture that decouples personal data from shared weights by combining …

本文如何被排名

报道来源 [1]

可分离专家架构：通过可组合适配器和可删除用户代理实现隐私保护的大模型个性化

相关实体

相关话题