English(EN) CARE-SD: Explainable Reasoning Architecture for Local SLM Self-Disclosure Analysis in Textual Data

新架构提升小型语言模型在敏感数据分析中的准确性

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-16 04:00

研究人员开发了CARE-SD，这是一种新颖的架构，旨在提高小型语言模型（SLM）在文本数据中分析自我披露的准确性和可靠性，尤其是在网络安全访谈中。该四模块系统集成了上下文自适应处理、分层推理和解释验证，以增强本地部署的SLM的功能，这对于维护数据隐私至关重要。使用Llama 1B、Qwen 1.5B和Llama 3B模型对带注释的网络安全访谈进行的评估表明，CARE-SD显著提升了性能，将Llama 3B的Macro-F1分数从0.80提高到0.88，并将不支持的声明减少了60%。值得注意的是，3B模型取得了与20B参考模型相当的性能，凸显了该架构的有效性，而无需更大的模型。 AI

影响增强了小型、本地部署的语言模型在敏感数据分析中的效用，提高了隐私性和准确性。

排序理由该集群描述了在学术论文中提出的一种用于分析小型语言模型文本数据的新颖架构。[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 →

本文如何被排名

Signal score: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群描述了在学术论文中提出的一种用于分析小型语言模型文本数据的新颖架构。[lever_c_demoted from research: ic=1 ai=1.0]
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, model release, other; 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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Aisvarya Adeseye, Adeyemi Adeseye, Mohammad Tahir, Jouni Isoaho · 2026-10-16 04:00

CARE-SD：文本数据中本地SLM自披露分析的可解释推理架构

arXiv:2610.21151v1 Announce Type: cross Abstract: Cybersecurity interviews uncover critical security experiences, behaviors, and privacy concerns often not fully captured by conventional technical assessments. Consequently, identifying genuine self-disclosures is challenging beca…

本文如何被排名

报道来源 [1]

CARE-SD：文本数据中本地SLM自披露分析的可解释推理架构

相关实体

相关话题