Data Contamination Calibration for Black-box LLMs
https://arxiv.org/abs/2405.11930
论文提出了一种名为Polarized Augment Calibration (PAC)的新方法,用于检测LLMs中的数据污染问题。
黑盒大型语言模型的数据污染校准
文章目录
摘要
大型语言模型(LLMs)的快速发展与训练数据规模的扩大密切相关。然而,未经检查的超大规模训练集引入了一系列潜在风险,如数据污染,即基准测试数据被用于训练。在这项工作中,我们提出了一种名为极化增强校准(PAC)的整体方法,以及一个名为StackMIA的全新数据集,以帮助检测污染数据并减少污染影响。PAC扩展了机器学习社区流行的MIA(成员推断攻击)——通过形成一个更全局的目标来检测训练数据,以澄清看不见的训练数据。作为开创性的工作,PAC非常即插即用,可以与大多数(如果不是全部)当前的白盒和黑盒(首次)LLMs集成。通过广泛的实验,PAC在超过4种数据集格式上的数据污染检测上,至少比现有方法提高了4.5%&#