arXiv cs.CL· Aisvarya Adeseye, Adeyemi Adeseye, Mohammad Tahir, Jouni Isoaho·· 2 天前AI 评分22
CARE-SD：面向文本数据本地 SLM 自我披露分析的可解释推理架构
CARE-SD: Explainable Reasoning Architecture for Local SLM Self-Disclosure Analysis in Textual Data
AI 导读
研究提出 CARE-SD 四模块架构，用于本地小语言模型的自我披露分析，在 82 份网络安全访谈上测试 Llama 1B、Qwen 1.5B 和 Llama 3B。该架构将 Llama 3B 的 Macro-F1 从 0.80 提升至 0.88，并将无依据论断减少 60%，3B 模型在类别 Macro-F1 上追平 20B 参考模型。
正文 · AI 翻译
摘要：网络安全访谈揭示了传统技术评估往往无法充分捕捉的关键安全经验、行为和隐私顾虑。因此，识别真实的自我披露具有挑战性，因为陈述依赖语境、类别相互重叠，且自动化解读可能引入无依据的论断。本地部署的小语言模型（SLM）通过将处理保持在受控环境内来保护敏感的参与者数据，但其有限的推理能力使简单提示不足以进行语境感知且事实可靠的分析。本研究开发了 CARE-SD（语境自适应推理与自我披露解释），这是一种新颖的四模块架构，集成了语境自适应处理、分层披露推理、解释一致性验证和跨批次协调。我们使用来自五个组织部门的 82 份独立标注的网络安全访谈，评估了三个本地 SLM，包括 Llama 1B、Qwen 1.5B 和 Llama 3B。比较对象包括传统分类器、三种提示策略、更大的 8B--32B 模型以及架构消融。两名独立评审员评估了披露标签、事实性论断和解释正确性。CARE-SD 提高了 SLM 的准确性和证据可靠性，将 Llama 3B 的 Macro-F1 从 0.80 提升至 0.88，同时将无依据论断减少了 60\%。值得注意的是，3B 模型在类别 Macro-F1 上匹配了 20B 参考模型，证明了该架构的有效性，而无需更大的模型。
| 评论： | 被第四届基础与大型语言模型国际会议（FLLM2026）接收 - IEEE - 于 2026 年 11 月 17-20 日在西班牙巴塞罗那 Novotel Barcelona City 举行 |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.21151 [cs.CR] |
| （或 arXiv:2610.21151v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.21151 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Aisvarya Adeseye Mrs [查看电子邮件]
[v1]
2026 年 10 月 15 日星期四 03:07:24 UTC（2,758 KB）
来源：arXiv cs.CL · arxiv.org