PRvL：量化大型语言模型用于 PII 遮盖的能力与风险
密码学与安全
2025-08-08 v1
摘要
从非结构化文本中遮盖可识别个人信息 (PII) 是确保受监管领域数据隐私的关键步骤。虽然早期方法依赖规则系统和领域特定的命名实体识别 (NER) 模型，但这些方法难以在不同格式和情境下泛化。近期大型语言模型 (LLM) 的进展为替代方案提供了希望，但架构和训练选择对遮盖性能的影响仍未得到充分探讨。大型语言模型在需要上下文语言理解的任务中表现出色，包括自由文本中的 PII 遮盖。先前的工作表明，经过适当适配后，大型语言模型可成为有效的上下文隐私学习器。然而，架构和训练选择对 PII 遮盖的影响仍未被充分考察。本文提供了大型语言模型作为隐私保护 PII 遮盖系统的全面分析。我们评估了 various 大型语言模型架构和训练策略在 PII 遮盖中的效果。我们的分析测量遮盖性能、语义保留和 PII 漏洞，并将这些结果与延迟和计算成本进行比较。结果为配置准确、高效且隐私意识型的基于大型语言模型的遮盖器提供了实用指导。为支持可复现性和实际部署，我们发布了 PRvL，一个开源的精调模型套件和评估工具，用于通用 PII 遮盖。PRvL 完全基于开源大型语言模型，支持多种推理设置以实现灵活性和合规性。它设计为可为不同领域定制，能在安全自管理环境中完全运行。这使数据所有者能够在不依赖第三方服务或暴露敏感内容的前提下进行遮盖。
引用
@article{arxiv.2508.05545,
title = {PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction},
author = {Leon Garza and Anantaa Kotal and Aritran Piplai and Lavanya Elluri and Prajit Das and Aman Chadha},
journal= {arXiv preprint arXiv:2508.05545},
year = {2025}
}