Piiranha V1 Detect Personal Information

🚀 Piiranha-v1：保護您的個人信息！

Piiranha 模型（遵循 cc-by-nc-nd-4.0 許可協議）經過訓練，可在六種語言中檢測 17 種類型的個人身份信息（PII）。它能夠成功捕獲 98.27% 的 PII 標記，整體分類準確率達到 99.44%。尤其在檢測密碼、電子郵件（準確率達 100%）、電話號碼和用戶名方面表現出色。

🚀 快速開始

Piiranha 模型可用於協助從文本中編輯個人身份信息（PII）。不過，請自行承擔使用風險，我們不承擔模型預測錯誤的任何責任。

✨ 主要特性

• 多語言支持：支持英語、西班牙語、法語、德語、意大利語和荷蘭語。
• 高精度檢測：能夠檢測 17 種類型的 PII，在 PII 與非 PII 分類任務中表現出色，準確率高達 99.44%。
• 特定類型檢測準確：對密碼、電子郵件、電話號碼和用戶名等特定類型的 PII 檢測準確率極高。

📦 安裝指南

文檔未提供安裝步驟，故跳過此章節。

💻 使用示例

文檔未提供代碼示例，故跳過此章節。

📚 詳細文檔

模型描述

Piiranha 是 microsoft/mdeberta-v3-base 的微調版本。上下文長度為 256 個 Deberta 標記。如果您的文本長度超過此限制，只需將其拆分即可。

支持的語言：英語、西班牙語、法語、德語、意大利語、荷蘭語。

支持的 PII 類型：賬號號碼、建築物編號、城市、信用卡號碼、出生日期、駕照號碼、電子郵件、名字、姓氏、身份證號碼、密碼、社會安全號碼、街道地址、稅務號碼、電話號碼、用戶名、郵政編碼。

在包含約 73,000 個包含 PII 的句子的測試集上，該模型取得了以下結果：

• 準確率：99.44%
• 損失：0.0173
• 精確率：93.16%
• 召回率：93.08%
• F1 值：93.12%

請注意，上述指標考慮了 18 種可能的類別（17 種 PII 和 1 種非 PII），因此這些指標低於僅針對 PII 與非 PII 的二元分類指標。

按 PII 類型的性能

由於類別不平衡（大多數標記不是 PII），報告的性能指標低於 99.44% 的整體準確率。然而，由於 PII 檢測的目的，該模型比以下結果更有用。模型有時會將一種 PII 類型誤分類為另一種，但最終仍能將該標記識別為 PII。例如，模型經常將名字誤判為姓氏，但這並不影響它將該名字標記為 PII。

預期用途和限制

Piiranha 可用於協助從文本中編輯 PII。請自行承擔使用風險，我們不承擔模型預測錯誤的任何責任。

訓練和評估數據

文檔未提供相關詳細信息，故跳過此章節。

訓練過程

訓練超參數

訓練期間使用了以下超參數：

• 學習率：5e-05
• 訓練批次大小：128
• 評估批次大小：128
• 隨機種子：42
• 優化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e-08）
• 學習率調度器類型：線性
• 學習率調度器預熱比例：0.05
• 訓練輪數：5
• 混合精度訓練：原生 AMP

訓練結果

聯繫信息

如有問題，請聯繫：william (at) integrinet [dot] org

框架版本

• Transformers 4.44.2
• Pytorch 2.4.1+cu121
• Datasets 3.0.0
• Tokenizers 0.19.1

🔧 技術細節

文檔未提供具體技術實現細節，故跳過此章節。

📄 許可證

該模型遵循 cc-by-nc-nd-4.0 許可協議。