论文arxiv cs.CL · 2d ago重要
Pretraining Data Exposure in Large Language Models: A Survey of Membership Inference, Data Contamination, and Security Implications
分类释义：学术论文 / 技术报告
TL;DR
这篇论文是首个统一视角的预训练数据暴露（PDE）综述，整合了成员推断攻击和数据污染两个领域的研究，系统梳理了攻击/防御方法及开放挑战。
关键要点
- 01这篇论文是首个统一视角的预训练数据暴露（PDE）综述。
- 02整合了成员推断攻击和数据污染两个领域的研究。
- 03系统梳理了攻击/防御方法及开放挑战。
为什么值得关注
模型评估中的数据污染会虚假抬高benchmark分数，这篇综述帮助工程师识别和防范此类问题；同时成员推断攻击的防御技术对部署有隐私合规要求的产品直接有用。
对你的工程实践意味着什么
LLM 实时生成MiniMax-M2.7
| 角色 | 你应该做什么 |
|---|---|
| Tech Lead | 制定模型评估规范，要求团队在 benchmark 测试时检查数据污染风险 |
| 应用工程师 | 如果产品有隐私合规要求，评估并集成成员推断攻击的防御机制 |
| 运维 / 平台 | 部署模型推理服务时考虑隐私保护边界，避免模型输出泄露训练数据痕迹 |
| 产品 / 业务 | 评估产品使用场景是否涉及敏感训练数据，必要时与合规团队确认模型隐私风险 |
同类资讯
本页 TL;DR 与「为什么」由 LLM 生成 · 模型：MiniMax-M2.7 / Claude Haiku 4.5