personally identifiable information
PulseAugur coverage of personally identifiable information — every cluster mentioning personally identifiable information across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的韩语去标识化模型提高了个人身份信息跨度准确性
研究人员开发了Thunder-DeID+，这是一种专为韩语文本设计的新型去标识化模型。该模型解决了韩语黏着语结构带来的挑战，这种结构常常将个人身份信息（PII）与周围词语合并，使准确的跨度检测变得复杂。Thunder-DeID+包含一个精炼的三层PII分类法和一个边界感知的分词器，该分词器集成了N-gram和边界评分组件，以改进词元和PII跨度的对齐。该方法在去标识化准确性方面取得了显著改进，在各种模型规模下实现了0.87-0.88的…
-
新的Meddies-PII框架增强了多语言临床去标识化能力
研究人员开发了Meddies-PII，一个用于从临床文档中提取个人身份信息（PII）的多语言框架。该框架包含一个由一百万份十七种语言的临床文档组成的大型合成数据集，该数据集通过属性条件提示生成，并通过一致性检查进行验证。相关的Meddies-PII-Model，一个BIOES令牌分类器，在PII提取基准测试中表现出色，平均F1得分为0.827，显著优于最强的基线0.658。该数据集、模型和相关代码将公开发布，以促进多语言临床去标识化领域的研究。
-
新的LeakageBench基准揭示文档脱敏中持续存在的个人身份信息（PII）风险
一个名为LeakageBench的新基准已被开发出来，用于评估文档图像中个人身份信息（PII）泄露的风险。该基准包含500张带有超过11,000个GDPR对齐的PII注释的文档图像，评估了包括OCR管道和视觉语言模型在内的各种脱敏方法。虽然像Code Interpreter这样的工具在与GPT-5.5等模型结合使用时可以提高PII的定位精度，但该基准表明，页面级别的泄露风险仍然存在，凸显了对更强大的PII脱敏技术的需求。
-
新的AWED-PIPER框架提供36种语言的FgNER和PII匿名化
研究人员开发了AWED-PIPER，一个开源框架，用于细粒度命名实体识别（FgNER）和个人身份信息（PII）匿名化。该系统集成了代理工具、Web应用程序和54个专家探测器模型，支持36种语言。AWED-PIPER可以识别上下文实体（如人物和地点），以及技术性PII（如电子邮件和电话号码），提供提取和可逆匿名化功能。该框架因其广泛的语言支持（包括极低资源语言）而备受关注。
-
新的PANOPTICON数据集利用PII数据解决LLM隐私风险
研究人员开发了一个名为PANOPTICON的新管道和数据集，以应对研究大型语言模型（LLM）隐私风险的挑战。该数据集使用Meta的Llama-3.1-8B-Instruct模型生成，包含超过67,000个包含个人身份信息（PII）的提示，这些信息源自合成用户配置文件。该基准数据集旨在促进对提示反演攻击（PIA）的研究，并量化LLM上下文窗口内的隐私泄露，标志着LLM隐私研究向前迈出了重要一步。
-
Amazon Nova 使用 AI 自动屏蔽图像中的 PII
Amazon 推出了 Amazon Nova，这是一系列新的基础模型，旨在自动识别和屏蔽图像中的个人身份信息 (PII)。该先进系统利用上下文视觉推理来协调 Meta 的 Segment Anything Model (SAM 3) 等专业工具进行精确分割，以及 Amazon Textract 进行光学字符识别。该流程旨在处理具有挑战性的 PII 情况，例如反射或部分视图，确保符合 GDPR 和 PCI DSS 等法规。
-
新框架支持AI代理的概率验证
研究人员开发了一个新的框架，用于验证具有概率策略的AI代理，解决了现有确定性方法的局限性。该方法基于分布鲁棒优化，即使在谓词相关性未知的情况下，也能计算策略违反概率的上限。该框架在终端代理和工具调用代理的基准测试中得到验证，显示出改进的安全-实用性权衡，并且优于先前的方法。
-
新的RedactionBench基准揭示LLM在上下文PII redaction方面存在困难
研究人员推出了RedactionBench，这是一个新的基准测试，旨在评估大型语言模型在考虑上下文隐私的同时，能够多好地redact个人身份信息（PII）。该基准包含200份多样化的文档和一个新颖的R-Score指标，该指标考虑了redaction中的语义相似性。评估显示，包括具有agentic工具的前沿模型在内的当前模型在上下文redaction方面存在困难，人类标注者在何构成上下文redaction方面也存在显著分歧。
-
AI聊天机器人暴露来自公开来源的个人数据
AI聊天机器人能够从各种来源提取个人信息，包括旧的社交媒体帖子、公共记录和网站。最近的事件表明，电话号码和其他敏感数据可能会被揭露，而用户往往没有预料到此类信息泄露。这凸显了当前AI技术带来的重大隐私问题。
-
新的NCO插件增强了LLM对不良内容的控制能力
研究人员开发了NCO，这是一种旨在增强对大型语言模型（LLM）输出控制的新解码策略。该插件解决了防止多种禁止模式（如脏话或个人身份信息（PII））出现在生成文本中的挑战。NCO通过执行高效的在线模式匹配来实现这一点，避免了将多个约束转换为单个自动机时常见的状态爆炸问题。该策略与标准推理方法兼容，并在实际应用中证明了其有效性。
-
新的GLiNER2-PII模型在多语言PII提取方面表现出色
研究人员开发了GLiNER2-PII，一个紧凑的0.3十亿参数模型，用于多语言个人身份信息（PII）提取。该模型改编自GLiNER2，能够识别42种不同类型的PII，并达到字符跨度级别。为了克服数据稀缺和隐私问题，使用了一个受约束的生成管道创建了一个合成多语言语料库。与包括OpenAI的Privacy Filter在内的其他系统相比，GLiNER2-PII在SPY基准测试中表现出优越的性能，并且已在Hugging Face上发布。