UnPII：具有可量化暴露风险的个人身份信息遗忘
机器学习
2026-01-06 v1 密码学与安全
摘要
大型语言模型在金融、医疗保健和政府等关键领域的日益普及，引发了关于在训练期间处理敏感个人身份信息（PII）的隐私担忧。作为回应，欧盟的《通用数据保护条例》（GDPR）等法规要求根据请求删除PII，这凸显了对可靠且经济高效的数据移除解决方案的需求。机器遗忘已成为选择性遗忘数据点的有前景的方向。然而，现有的遗忘技术通常采用统一的遗忘策略，既不考虑不同PII属性带来的不同隐私风险，也不反映相关的业务风险。在这项工作中，我们提出了UnPII，这是第一种以PII为中心的遗忘方法，它根据单个或组合PII属性的风险来确定遗忘的优先级。为此，我们引入了PII风险指数（PRI），这是一个综合指标，包含了多个维度的风险因素：可识别性、敏感性、可用性、可链接性、持久性、可暴露性和合规性。PRI能够对与PII暴露相关的隐私风险进行细致评估，并可根据组织的隐私政策进行定制。为了支持现实的评估，我们系统地构建了一个合成PII数据集（例如，1,700个PII实例），模拟现实的暴露场景。UnPII与既定的遗忘算法（如梯度上升、负偏好优化和直接偏好优化）无缝集成，无需修改其基本原理。我们的实验结果表明，UnPII在遗忘过程中，准确率、效用和泛化能力分别最高可提升11.8%、6.3%和12.4%，同时仅产生平均27.5%的适度微调开销。
引用
@article{arxiv.2601.01786,
title = {UnPII: Unlearning Personally Identifiable Information with Quantifiable Exposure Risk},
author = {Intae Jeon and Yujeong Kwon and Hyungjoon Koo},
journal= {arXiv preprint arXiv:2601.01786},
year = {2026}
}
备注
11 pages, 7 Tables, 6 Figures To appear in the Software Engineering in Practice (SEIP) track of ICSE