arXiv cs.CL· Andy Hsu, Konstantin Berlin·· 11 小时前AI 评分34
基于统一标签的广覆盖高效 PII 检测模型
Broad and Efficient PII Detection with Unified Labels
AI 导读
研究者提出一个 141M 参数的编码器式 PII 检测器，在来自 77 个公开数据集的 112 万条样本上训练，并按 12 类结构化 PII 的统一标签重新标注。
正文 · AI 翻译
摘要：个人可识别信息（PII）检测模型必须在多样化的上下文中高效地发现标识符，同时在高流量下保持较低的误报率（FPR）。近期的检测器越来越多地依赖复杂架构，这提高了部署成本，但许多检测器仅在少数合成数据集上微调，限制了其覆盖范围。合并公开数据集颇具挑战，因为它们的分类体系各不相同，即使将类别映射到统一模式后，标签对于什么算作一次检测仍可能存在分歧，从而产生不一致的训练和评估信号。为解决这些问题，我们提出了一个实用的、基于编码器的 141M 参数检测器，它在来自 77 个公开数据集的 112 万个样本上训练，并按照针对 12 个结构化 PII 类别的广泛上下文检测的详细定义重新标注。在低 FPR 工作点上于 AI4Privacy 和 Nemotron-PII 基准上评估，我们的模型在 14 项比较中，按我们的标签有 11 项、按原始标签有 9 项，相对于更大的基线取得了最高召回率。其最大的召回率提升包括有用的额外覆盖，例如多语言披露和嵌入在 URL 中的 IP 地址。它实现这一点的同时，吞吐量比基线高 2-10 倍，峰值 GPU 内存占用少 94-97%，以显著更低的成本提供领先的检测性能。
| 学科： | 计算与语言（cs.CL）；密码学与安全（cs.CR） |
| 引用为： | arXiv:2610.22597 [cs.CL] |
| （或 arXiv:2610.22597v1 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.22597 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Andy Hsu [查看电子邮件]
[v1]
2026 年 10 月 15 日星期四 19:47:19 UTC（575 KB）
来源：arXiv cs.CL · arxiv.org