开发者不满现有工具,自训 PII 检测器,训练样本暗藏诱饵实体

HankYeomans · x · 2026-10-16

开发者 Hank Yeomans 表示正在训练自己的 PII(个人身份信息)检测器,原因是市面上的现有方案都不合意。

配图展示了两条标注好的训练样本:医疗记录请求文本和社区活动公告文本,其中人名、病历号、机构等实体被逐一标注类型(PERSON、MRN、ORG·COMPANY、ORG·HEALTHCARE 等),并特意加入了「诱饵实体」(decoy)——如近似日期、内部地点名称等易混淆信息,用于训练模型区分真实 PII 与干扰项。这种带 decoy 的样本设计是提升检测器鲁棒性的一个值得注意的做法。