inLoRA-MINT：审计LoRA微调训练数据

2026年10月15日，arXiv人工智能板块发布Gonzalo Mancera等作者的论文，提出inLoRA-MINT方法，用于审计领域适配大语言模型的训练数据。该研究将成员推断测试（MINT）应用于经LoRA微调的大语言模型，目的是判断特定样本是否在训练中被使用，以回应数据隐私、泄露与透明度方面的关切。方法上，研究者利用模型中间表征（激活与参数相关信号）训练MINT分类器，据称无需完整访问模型参数即可区分训练样本与非训练样本。实验覆盖Qwen、Phi-4、DeepSeek-V3和LLaMA 3.2-3B四款模型，以及涵盖医学、数学与学术推理任务的三套数据集，报告成绩稳定在95%至98%之间，并对模型配置与数据分布变化保持稳健。作者同时说明，实验聚焦于基于LoRA的微调，但该方法可扩展至其他大语言模型适配技术，乃至更广泛的其他AI模型。

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。