starpii

starpii

基于NER模型的代码数据集个人信息检测工具

StarPII是一个基于NER模型的代码数据集个人信息检测工具。通过微调bigcode-encoder,该模型能准确识别代码中的姓名、邮箱、密钥等六类敏感信息。模型在包含20961个密钥和31种编程语言的数据集上训练,并利用伪标签数据预训练提升性能。StarPII为代码数据隐私保护、PII清理和隐私合规提供了可靠的技术支持。

PII检测隐私保护Github开源项目代码数据集标记化分类HuggingfaceStarPII模型

StarPII项目介绍

项目概述

StarPII是一个专门用于在代码数据集中检测个人身份信息(PII)的命名实体识别模型。该模型基于bigcode-encoder进行微调,能够识别包括姓名、电子邮件、密钥、密码、IP地址和用户名等6种类型的敏感信息。

技术特点

StarPII模型采用了两阶段训练方法:

  • 首先在伪标注数据集上进行初步训练
  • 然后在人工标注的数据集上进行精细微调

模型架构上,StarPII在编码器的基础上添加了一个线性层作为token分类头。基础编码器已在包含88种编程语言的The Stack数据集上进行了预训练,具有良好的语言理解能力。

数据集特点

训练数据包含两个重要部分:

  • 人工标注数据集包含20,961个敏感信息样本,覆盖31种编程语言
  • 伪标注数据集包含18,000个文件,通过集成Deberta-v3-large和stanford-deidentifier-base两个模型进行标注

性能表现

StarPII在各类敏感信息的检测上都展现出了优秀的性能:

  • 电子邮件检测:准确率97.73%,召回率98.94%,F1值98.15%
  • IP地址检测:准确率90.10%,召回率93.86%,F1值91.94%
  • 密钥检测:准确率62.38%,召回率80.81%,F1值70.41%
  • 姓名检测:准确率86.45%,召回率97.38%,F1值91.59%
  • 密码检测:准确率70.94%,召回率95.96%,F1值81.57%

实用建议

为提高检测质量,建议在使用StarPII时采用以下后处理规则:

  • 忽略少于4个字符的敏感信息
  • 仅检测完整姓名
  • 对于密钥,忽略少于9个字符或非乱码的内容
  • 仅识别有效的公网IP地址,忽略私有IP地址和常见DNS服务器地址

使用注意事项

  • 模型可能存在误报和漏报的情况
  • 在不同类型数据和编程语言上的表现可能有所差异
  • 建议在特定场景下进行验证和调优
  • 使用者需遵守数据保护措施并维护道德标准

通过开放这个模型,项目组希望推动隐私保护AI技术的发展,同时也提醒使用者注意潜在的PII相关风险。

编辑推荐精选

讯飞智文

讯飞智文

一键生成PPT和Word,让学习生活更轻松

讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。

AI办公办公工具AI工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图热门
讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

下拉加载更多