arXiv cs.LG·53 天前★ 3

联邦LLM微调的隐私保护拆分学习新方法

原文标题：Privacy-Preserving Split Learning for Federated LLM Fine-Tuning

重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。

AI 智能摘要

论文针对拆分学习与联邦学习结合下大模型微调的隐私悖论，指出自回归特性使传输激活泄露输入，现有扰动防御失效。提出可学习的混淆-恢复方案，在保护参与者私有数据的同时允许服务器训练可独立部署的模型，实现较强隐私保护且效用与系统开销损失有限。

论文速读 · 四段结构cs.LG去论文速读 →

深读 · 结论先行AI 生成展开看要点与影响 ↓

拆分+联邦微调LLM时激活泄露输入，新方案用可学习混淆-恢复兼顾隐私与效用

为什么重要：对需要在多家机构间协作微调大模型、又不能让原始数据或激活外泄的团队，这条指出扰动防御路线在LLM上失效，并给出替代思路。

以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。

所属主题隐私7

AI 处理过程展开/收起

原始标题：Privacy-Preserving Split Learning for Federated LLM Fine-Tuning

AI 中文标题：联邦LLM微调的隐私保护拆分学习新方法

来源：arXiv cs.LG · 发布于 53 天前

分类：学术研究 · AI 重要度：★ 3（3）

标签：联邦学习 / 拆分学习 / 隐私 / 大模型微调 / 激活泄露

关键词：split learning / federated learning / privacy / LLM fine-tuning

AI 生成以上内容由 AI 自动生成：中文标题、摘要、分类与重要度；同一事件的多家报道会自动归并展示。内容仅供参考，可能存在偏差，请以原文为准，不构成任何投资或专业建议。
版权归原作者与原发布平台所有；若涉及侵权或信息错误，请在举报与侵权投诉页反馈，我们会及时处理。

相关推荐