返回
Detecting Training Data For Large Language Models: A Survey
DOI:10.1145/3779430.png)
摘要
En 中文
随着大型语言模型(LLMs)的不断发展,其训练所使用的数据范围和多样性正显著扩大。然而,LLMs的训练数据集可能不可避免地包含敏感信息,如个人数据或版权材料,若模型生成与这些来源高度相似或完全相同的文本,将导致隐私泄露或版权侵权风险。这促使人们关注是否检测文本数据被用于LLMs训练的问题。迄今为止,关于检测人工智能(AI)模型训练数据使用的研究主要集中于传统机器学习(ML)模型,而针对LLMs的研究仍相对不成熟。对该领域研究进展的缺乏了解阻碍了更有效检测方法的发展。因此,本文旨在填补这一空白,通过分析LLMs训练数据的检测方法。具体而言,我们分析了可提供给检测器的LLMs信息、主要检测方法、判定指标,并讨论了该领域的技术挑战及未来研究的潜在方向。
Keyword:
Large language models
detecting training data
期刊
IF:
28
论文数:
2.5K
被引数:
3.5W

