热点事件持续更新
研究团队提出JEPA-Prune大模型隐私剪枝框架
1 篇报道1 个报道来源4 小时前更新
先了解这件事
AI 综述
2026年10月19日，研究人员在arXiv发布事后神经元剪枝框架JEPA-Prune，旨在缓解微调大语言模型中的隐私数据泄露问题。该框架通过联合嵌入预测架构（JEPA）训练无个人可识别信息（PII）的公共参考模型，无需重新训练即可精准定位并剪枝敏感神经元。实验结果显示，该方法仅需剪枝1.6%的神经元，即可将PII推理准确率最高降低7.4倍、提取召回率最高降低13.9倍；与此同时，多数大语言模型在未见文本上的困惑度增加被控制在未剪枝模型的16%以内。
AI 根据报道生成 · 4 小时前更新
最新进展10月19日 12:00
研究团队发布JEPA-Prune框架，仅剪枝1.6%神经元即可显著降低微调LLM的隐私泄露风险。报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv 自然语言处理JEPA-Prune：通过联合嵌入引导剪枝缓解微调 LLM 的隐私数据泄露
研究人员提出事后神经元剪枝框架 JEPA-Prune，通过联合嵌入预测架构（JEPA）训练无 PII 公共参考模型，无需重新训练即可定位并剪枝敏感神经元。实验显示，仅剪枝 1.6% 的神经元即可将 PII 推理准确率最高降低 7.4x、提取召回率最高降低 13.9x。同时，大多数 LLM 未见文本的困惑度增加被控制在未剪枝模型的 16% 以内。
本事件热度走势
当前热度 9·可比范围峰值 10（10月19日 13:00）·近 24 小时可比范围变化 –
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。