提出inLoRA-MINT审计LoRA微调训练数据

Mancera等作者提出inLoRA-MINT，将成员推断测试（MINT）应用于LoRA微调的大语言模型，利用模型中间内部表示（包括激活值和依赖参数的信号）训练MINT分类器，在无需完整访问模型参数的情况下区分训练样本与非训练样本。 该方法在Qwen、Phi-4、DeepSeek-V3和LLaMA 3.2-3B四个模型上评测，模型分别在医疗、数学和学术推理三类数据集上微调，作者报告得分在95%至98%之间，并称对模型配置和数据分布变化具有鲁棒性。材料仅提供论文摘要，实验和基准细节未说明。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。