inLoRA-MINT：审计LoRA微调训练数据
热点事件持续更新
inLoRA-MINT：审计LoRA微调训练数据
1 篇报道1 个报道来源21 小时前更新
先了解这件事
AI 综述
Gonzalo Mancera等研究者提交论文，提出 inLoRA-MINT：利用中间层激活与参数相关信号训练 MINT 分类器，在无需完整访问模型参数的情况下，判断某个样本是否被用于 LoRA 微调，以应对数据隐私、泄露与透明度问题。 该方法在 Qwen、Phi-4、DeepSeek-V3 和 LLaMA 3.2-3B 四款模型、覆盖医学、数学与学术推理三个数据集上测试，得分稳定在 95% 至 98%，并对模型配置与数据分布变化保持鲁棒。作者称该方法可扩展至其他 LLM 适配技术乃至其他 AI 模型。 这是在其此前 LoRA-MINT 框架上的推进：早先版本在严格黑盒设定下仅依赖困惑度，新方法改用中间表征。
AI 根据报道生成 · 1 小时前更新
最新进展10月15日 12:00
inLoRA-MINT：用内部表征审计领域适配 LLM 的训练数据报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv：cs.AIinLoRA-MINT：用内部表征审计领域适配 LLM 的训练数据
研究者提出 inLoRA-MINT，通过中间层激活与参数相关信号训练 MINT 分类器，在无需完整访问模型参数的情况下判断样本是否被用于 LoRA 微调。在 Qwen、Phi-4、DeepSeek-V3 和 LLaMA 3.2-3B 四款模型、覆盖医学、数学与学术推理三个数据集上，该方法得分稳定在 95% 至 98%，并对模型配置与数据分布变化保持鲁棒。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。