Piiranha V1 Detect Personal Information

🚀 Piiranha-v1：保护您的个人信息！

Piiranha 模型（遵循 cc-by-nc-nd-4.0 许可协议）经过训练，可在六种语言中检测 17 种类型的个人身份信息（PII）。它能够成功捕获 98.27% 的 PII 标记，整体分类准确率达到 99.44%。尤其在检测密码、电子邮件（准确率达 100%）、电话号码和用户名方面表现出色。

🚀 快速开始

Piiranha 模型可用于协助从文本中编辑个人身份信息（PII）。不过，请自行承担使用风险，我们不承担模型预测错误的任何责任。

✨ 主要特性

• 多语言支持：支持英语、西班牙语、法语、德语、意大利语和荷兰语。
• 高精度检测：能够检测 17 种类型的 PII，在 PII 与非 PII 分类任务中表现出色，准确率高达 99.44%。
• 特定类型检测准确：对密码、电子邮件、电话号码和用户名等特定类型的 PII 检测准确率极高。

📦 安装指南

文档未提供安装步骤，故跳过此章节。

💻 使用示例

文档未提供代码示例，故跳过此章节。

📚 详细文档

模型描述

Piiranha 是 microsoft/mdeberta-v3-base 的微调版本。上下文长度为 256 个 Deberta 标记。如果您的文本长度超过此限制，只需将其拆分即可。

支持的语言：英语、西班牙语、法语、德语、意大利语、荷兰语。

支持的 PII 类型：账号号码、建筑物编号、城市、信用卡号码、出生日期、驾照号码、电子邮件、名字、姓氏、身份证号码、密码、社会安全号码、街道地址、税务号码、电话号码、用户名、邮政编码。

在包含约 73,000 个包含 PII 的句子的测试集上，该模型取得了以下结果：

• 准确率：99.44%
• 损失：0.0173
• 精确率：93.16%
• 召回率：93.08%
• F1 值：93.12%

请注意，上述指标考虑了 18 种可能的类别（17 种 PII 和 1 种非 PII），因此这些指标低于仅针对 PII 与非 PII 的二元分类指标。

按 PII 类型的性能

由于类别不平衡（大多数标记不是 PII），报告的性能指标低于 99.44% 的整体准确率。然而，由于 PII 检测的目的，该模型比以下结果更有用。模型有时会将一种 PII 类型误分类为另一种，但最终仍能将该标记识别为 PII。例如，模型经常将名字误判为姓氏，但这并不影响它将该名字标记为 PII。

预期用途和限制

Piiranha 可用于协助从文本中编辑 PII。请自行承担使用风险，我们不承担模型预测错误的任何责任。

训练和评估数据

文档未提供相关详细信息，故跳过此章节。

训练过程

训练超参数

训练期间使用了以下超参数：

• 学习率：5e-05
• 训练批次大小：128
• 评估批次大小：128
• 随机种子：42
• 优化器：Adam（β1 = 0.9，β2 = 0.999，ε = 1e-08）
• 学习率调度器类型：线性
• 学习率调度器预热比例：0.05
• 训练轮数：5
• 混合精度训练：原生 AMP

训练结果

联系信息

如有问题，请联系：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

🔧 技术细节

文档未提供具体技术实现细节，故跳过此章节。

📄 许可证

该模型遵循 cc-by-nc-nd-4.0 许可协议。