English(EN) Prune the Leaky Neurons: Mitigating Private Data Leakage in Fine-Tuned LLMs via Joint-Embedding-Guided Pruning

新的JEPA-Prune方法以最小的效用损失移除了微调LLM中的PII

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

研究人员开发了一种名为JEPA-Prune的新方法，以解决微调后大型语言模型（LLM）中的隐私问题。该技术旨在移除个人身份信息（PII），同时不显著降低模型的性能。JEPA-Prune使用联合嵌入预测架构（JEPA）在无PII的数据上训练一个参考模型，使其能够识别并修剪微调模型中的PII特定神经元。实验表明，修剪少量神经元可以显著降低PII推理准确性和提取召回率，同时保持效用。 AI

影响这项研究为减轻LLM中的隐私风险提供了一种新颖的方法，有可能在敏感数据上更安全地部署微调模型。

排序理由该集群包含一篇详细介绍LLM隐私新方法的学术论文。[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: 13 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍LLM隐私新方法的学术论文。[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, 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: 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) · Mohamed Shaaban, Mohamed Elmahallawy · 2026-10-19 04:00

剪除泄露的神经元：通过联合嵌入引导的剪枝来减轻微调 LLM 中的私有数据泄露

arXiv:2610.22792v1 Announce Type: cross Abstract: Fine-tuning large language models (LLMs) on proprietary records enables domain adaptation but introduces two challenges: (i) privacy leakage of memorized private data, such as personally identifiable information (PII), and (ii) ba…

本文如何被排名

报道来源 [1]

剪除泄露的神经元：通过联合嵌入引导的剪枝来减轻微调 LLM 中的私有数据泄露

相关实体

相关话题