You Have Been LaTeXpOsEd: A Systematic Analysis of Information Leakage in Preprint Archives

最新推荐文章于 2025-11-24 18:29:32 发布
最新推荐文章于 2025-11-24 18:29:32 发布
阅读量146 收藏
点赞数 4
CC 4.0 BY-SA版权
分类专栏： LLM Daily 文章标签： 语言模型 人工智能 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/c_cpp_csharp/article/details/153782670

在这里插入图片描述

该文章首次对预印本档案（以arXiv为核心）展开大规模安全审计，提出LaTeXpOsEd框架检测敏感信息泄露，并开发LLMSec-DB基准评估LLM的秘密检测能力，揭示了预印本平台存在的严重安全风险。

一、文章主要内容总结

  1. 研究背景：arXiv等预印本平台加速了科学成果传播，但作者上传的LaTeX源代码、辅助文件等常含未清理的敏感信息，且平台缺乏自动检查机制，存在信息泄露风险。
  2. 研究规模与方法：分析arXiv平台10万份提交材料（1.2TB数据），通过LaTeXpOsEd四阶段框架（数据抓取、解析、挖掘、分析），结合模式匹配、逻辑过滤和LLM（如Qwen-2.5 72B）检测敏感信息。
  3. 核心发现：
    • 发现数千条个人身份信息（PII）、带GPS标签的EXIF文件、可公开访问的云存储链接（如Google Drive、Dropbox）、GitHub和谷歌凭证、云API密钥等。
    • 存在作者机密沟通记录、内部分歧、会议提交凭证等，对研究者和机构构成声誉风险。
    • 传统工具（如TruffleHog）检测效果差，大量误报；LLM凭借上下文理解能力，能有效识别隐藏敏感信息，但成本高于传统方法。
  4. 建议措施：
了解本专栏 订阅专栏 解锁全文 超级会员免费看
Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in Natural Language Process
Young, Simple, Naive
03-05 374
prompt-based learning 综述
【论文笔记】Pre-train, Prompt, and Predict: A Systematic Survey of Prompting Methods in NLP
gjh1716718326的博客
10-19 6676
摘要 Unlike traditional supervised learning, which trains a model to take in an input x and predict an output y as P(y|x), prompt-based learning is based on language models that model the probability of text directly. To use these models to perform predicti
The prompt report: A Systematic Survey of Prompting Techniques-prompt综述-阅读笔记
qq_30921029的博客
07-29 1476
Prompt是一段输入给生成式AI模型的文本，用于引导模型产生期望的输出。这个定义点明了Prompt的本质属性和功能定位。
论文阅读：A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications
m0_53605808的博客
06-28 835
提示工程已成为扩展大语言模型（LLMs）和视觉语言模型（VLMs）能力的不可或缺的技术。该方法利用称为提示的任务特定指令来提升模型效能，而无需修改核心模型参数。提示无需更新模型参数，仅通过给定提示引导模型产生所需行为，从而实现预训练模型与下游任务的无缝集成。提示可以是提供上下文以引导模型的自然语言指令，也可以是激活相关知识的学习向量表示。这一新兴领域已在从问答到常识推理的各种应用中取得成功。然而，目前缺乏对多样化提示工程方法和技术的系统性组织与理解。
基于学习的人工智能（1）为什么学习？
致力于大数据+AI 的应用创新。
11-24 173
学习是人类最重要的认知活动之一，贯穿我们的一生。出生后，我们无时无刻不在学习：从父母那里学说话，自己尝试走路，从小伙伴那里学会折纸飞机，从老师那里学到语文、数学等各种知识。研究人员始终将光源和风扇放在同一侧，经由学习，玉米幼苗逐渐学会了“有风的地方就会有光”的规律。之后，研究人员移去光源，并改变风扇方向，玉米幼苗依然按照所学知识，向风扇方向生长。1959 年，美国计算机学家亚瑟·塞缪尔设计了一款可以自我学习的跳棋程序，并将这一新方法称为“机器学习”，从而开启了机器自我学习的道路。
2025企业微信AI落地新趋势：微盛AI·企微管家破解内外增长难题
最新发布
weisheng00的博客
11-24 402
2025年企业微信AI落地的三大关键趋势：微盛AI·企微管家通过智能客服、精准营销和内部协作三大场景，帮助企业实现200%的客服效率提升、90%的报修响应提速和50%的员工效能增长。作为企业微信生态最大ISV服务商，微盛依托"AI+SCRM"双引擎，已服务160家500强企业，提供合规AI聊天Agent、生态闭环整合及私有化部署方案，有效解决数据孤岛问题，90%客户在3个月内实现AI能力全员覆盖。
中国计算机学会（CCF）推荐学术会议-A（人工智能）：ACL 2026
iaast的博客
11-24 301
大会官网：https://2026.aclweb.org/录用率：20.3%（1699/8360，2025年）时间地点：2026年7月2日-加州·美国。截稿时间：2026年1月5日。CCF推荐：A（人工智能）
RAG 的诞生：为了让 AI 不再“乱编”
weixin_44876263的博客
11-24 77
RAG全称，中文为“检索增强生成”。其核心思想是：在生成答案时，不仅依赖大模型内部的训练知识，还能够实时访问外部知识库或文档，从而生成更加准确和可靠的内容。就像一个学生回答问题，不仅依靠自己记忆，还会去图书馆查资料，然后结合记忆和查到的资料回答问题。你问模型：“请告诉我最新的新能源补贴政策。纯模型可能只靠训练记忆，回答的是过时或模糊的信息。RAG 模型会先去查最新政策文件，再结合训练知识生成答案，因此更准确。检索资料：先找到相关文档或信息。结合生成：把找到的资料和问题一起输入模型，让模型生成答案。
基于华为开发者空间实现花卉识别
优快云高校俱乐部官方博客
11-21 1569
基于华为开发者空间实现花卉识别
人工智能在医疗行业的革命性应用：从诊断到个性化治疗
2501_94114442的博客
11-21 467
人工智能（AI）技术近年来已经渗透到各个行业，其中，医疗行业无疑是受益最大之一。从疾病的早期诊断到个性化治疗方案的制定，AI正在加速医学领域的变革。通过机器学习、深度学习、自然语言处理等技术，AI不仅能够处理和分析大量的医疗数据，还能够帮助医生做出更加精准的决策，提升患者的治疗效果，并优化整个医疗体系的运作效率。本文将探讨人工智能在医疗行业的应用，分析其在不同医疗领域的具体作用，并展望AI如何进一步推动医疗健康行业的发展。
【字节跳动 AI 原生 IDE TRAE 】
youngerwang的博客
11-22 644
字节跳动推出的AI原生IDE TRAE是国内首款协作级AI开发工具，采用"交互层-智能层-协议层-生态层"四层架构，支持SOLO智能自主开发模式和多模态交互。核心功能包括：1）SOLO模式支持需求分析、工具调度和全流程自动化开发；2）双模式交互系统兼顾精细控制和快速原型开发；3）多模态交互支持语音、图像和代码片段输入；4）开放的智能体生态系统。TRAE深度融合大模型能力，在前后端开发中展现出高效代码生成和自动化能力，并通过MCP协议实现安全工具调用。产品迭代迅速，216天发布63个版本，
【NullSwap】NullSwap: Proactive Identity Cloaking Against Deepfake
人生不是轨道，是旷野。希望每天都有好心情。
11-23 173
由于生成模型的进步，被动检测高质量Deepfake图像的性能瓶颈，主动扰动提供了一种有前途的方法，通过将信号插入良性图像来禁用Deepfake操作。【生成模型的发展，使得生成高质量伪图越来越难被检测】然而，现有的主动扰动方法在以下几个方面仍然不能令人满意：【当前主动扰动存在的问题】1）由于直接元素添加而导致的视觉退化;2）对交换操纵的有效性有限;3）不可避免地依赖于白盒和灰盒设置，以在训练期间涉及生成模型。我们分析了深度伪造swap技术的本质，并论证了保护源身份而非目标图像的必要性。
EAGLE-2：通过动态草稿树加速语言模型推理
11-24 20
现代 Large Language Models（LLMs）的推理过程既昂贵又耗时，而 speculative sampling 已被证明是一种有效的解决方案。大多数 speculative sampling 方法（例如 EAGLE）使用静态的 draft tree，并默认 draft token 的接受率仅依赖于其位置。有趣的是，我们发现 draft token 的接受率也依赖于上下文。本文在 EAGLE 的基础上提出了，该方法引入了一种新的技术用于 draft 建模。
宇树G1-D：人形机器人下一步方向！
Charlie_Mo的博客
11-21 992
宇树科技推出G1-D人形机器人工作站全栈解决方案，实现从硬件平台向"硬件+数据+AI"生态平台升级。该方案以G1-D为核心载体，为AI模型开发提供强力支撑，可应用于制造业等场景，提升生产精度和效率。在AI技术快速发展的背景下，掌握基于G1-D的AI开发技能将增强就业竞争力。这一创新方案为行业搭建AI训练基础设施，推动技术进步，展现未来发展潜力。
强化学习人形机器人奖励函数分析
ModestCoder_的博客
11-23 587
PPO (Proximal Policy Optimization) 是一种 Actor-Critic 架构算法。奖励函数是整个学习过程的指挥棒。学习预测未来的累积回报（Return）。用于处理物理限制的软约束，形式通常为单边损失（Hinge Loss）。，作为 Cost/Penalty 使用，用于约束能量和保持稳定。以下是代码中各个奖励项的数学表达及其物理含义分析。形式，旨在最大化机器人对指令的跟随精度。这种设计是现代机器人控制领域的标准范式。形式，在总奖励计算中通常会被赋予。
5G与人工智能：相辅相成推动未来智能化世界
2501_94108919的博客
11-21 928
近年来，5G和人工智能（AI）被视为数字时代的两大核心技术，它们不仅各自推动了技术进步，还在相互结合的过程中，带来了革命性的变革。例如，在智能制造中，AI可以基于5G传输的生产数据，实时调整生产线，优化生产效率，减少停机时间。比如，通过5G网络连接的智能穿戴设备可以实时监测患者的生命体征，并通过AI分析数据，为医生提供决策支持，甚至进行远程手术指导。5G网络的普及需要大量的基站和基础设施建设，而AI的应用则要求更高的计算能力和更低的延迟，这对硬件的要求非常高。
【科研绘图系列】R语言绘制PCA贡献图（scattter plot）
专注生信领域
11-21 508
本研究通过对 α-突触核蛋白的能量数据进行详细的分析，揭示了其在不同结构状态下的结构特征和变化规律。在研究过程中，采用了多种数据分析方法，包括数据预处理、结构质量评估、Ramachandran 图绘制、背骨氢键能量分布分析和 PCA 分析等。
Python机器学习库
2509_93946396的博客
11-22 544
说到机器学习核心库，Sklearn的API设计确实经典。最近在做的图像分类项目里，用tf.data构建数据管道比传统生成器效率提升明显，尤其是map()和cache()的链式调用，让数据增强流程流畅了不少。最近遇到个有趣案例：某电商用户行为数据清洗时，发现用pd.get_dummies()处理分类变量比手动编码快了三倍，配合query()方法做数据筛选，代码行数直接减半。计算机视觉项目里OpenCV的HOG特征提取依然可靠，配合imutils库里的便捷函数，几行代码就能完成复杂的目标检测预处理。
《AI智脉速递》2025 年 11月7日 - 11月23日
mao_feng的博客
11-23 454
蚂蚁集团推出的全模态 AI 助手 “灵光” 上线 4 天下载量突破 100 万，较 ChatGPT、Sora2 更快达成百万用户里程碑，登顶 App Store 工具榜第一。该项目由日本八大巨头联合推动，旨在打破台积电、三星垄断，为全球 AI 大模型提供先进算力硬件支撑。AI 数据中心的超高能耗推动储能系统从 “可选” 变 “必备”，相关市场需求呈爆发式增长，英伟达黄仁勋称能源成本将重塑 AI 竞争格局。华谊兄弟启动 “H・AI 火种计划”，将 AI 与 CG 技术、真人实拍结合，批量制作影视内容。
Effective dosage and mode of exercise for enhancing cognitive function in Alzheimer's disease and dementia: a systematic review and Bayesian Model-Based Network Meta-analysis of RCTs，这篇文章的代码有吗
07-05
在针对阿尔茨海默病和痴呆症患者进行的认知功能增强研究中，系统评价与贝叶斯模型网络荟萃分析（Network Meta-analysis）是一种常见且有效的统计方法。这种方法允许比较多种干预措施的效果，并提供一个综合的疗效...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值