原標(biāo)題：大模型混入0.001%假數(shù)據(jù)就「中毒」，成本僅5美元！NYU新研究登Nature子刊
文章來(lái)源：新智元
內(nèi)容字?jǐn)?shù)：4124字

大模型醫(yī)療應(yīng)用的風(fēng)險(xiǎn)：數(shù)據(jù)污染的隱患

紐約大學(xué)研究者近期在《自然-醫(yī)學(xué)》發(fā)表的研究，為大模型在醫(yī)療領(lǐng)域的應(yīng)用敲響了警鐘。研究表明，即使少量（低至0.001%）的錯(cuò)誤信息混入訓(xùn)練數(shù)據(jù)，也能顯著提高大模型輸出有害醫(yī)療信息的概率，這一現(xiàn)象被稱為“數(shù)據(jù)中毒”。

1. 數(shù)據(jù)污染的易感性：研究人員通過(guò)創(chuàng)建并嵌入虛假醫(yī)學(xué)文章，模擬了互聯(lián)網(wǎng)數(shù)據(jù)污染的情況。實(shí)驗(yàn)結(jié)果顯示，在1.3B參數(shù)的模型中，僅用0.01%和0.001%的虛假數(shù)據(jù)訓(xùn)練，有害輸出分別增加了11.2%和7.2%。即使是更大的4B參數(shù)模型，用0.001%的虛假數(shù)據(jù)（約2000篇虛假文章，成本僅5美元）進(jìn)行攻擊，有害輸出也會(huì)增加4.8%。 即使是參數(shù)規(guī)模更大的模型，數(shù)據(jù)污染的成本效益依然很高。

2. 現(xiàn)有方法的局限性：研究發(fā)現(xiàn)，常用的應(yīng)對(duì)虛假信息的方法，如提示工程、檢索增強(qiáng)生成（RAG）和監(jiān)督微調(diào)，對(duì)已經(jīng)“中毒”的大模型效果有限，降低有害響應(yīng)的比例分別只有26.2%、28.4%和35.9%。

3. 基于知識(shí)圖譜的解決方案：研究人員提出了一種基于生物醫(yī)學(xué)知識(shí)圖譜的解決方案。該方法通過(guò)命名實(shí)體識(shí)別提取模型輸出中的醫(yī)學(xué)短語(yǔ)，并與知識(shí)圖譜進(jìn)行交叉驗(yàn)證。任何無(wú)法與圖譜匹配的短語(yǔ)都被視為潛在錯(cuò)誤信息，從而識(shí)別出包含虛假信息的段落。該方法準(zhǔn)確率超過(guò)90%，且計(jì)算開(kāi)銷小，具有可解釋性。

4. 專業(yè)領(lǐng)域大模型的風(fēng)險(xiǎn)：該研究強(qiáng)調(diào)了在醫(yī)療、法律等專業(yè)領(lǐng)域使用大模型的風(fēng)險(xiǎn)。由于這些領(lǐng)域與用戶利益密切相關(guān)，模型的幻覺(jué)可能造成嚴(yán)重后果。研究指出，即使是相對(duì)少量的數(shù)據(jù)污染，也能對(duì)專業(yè)大模型造成顯著影響，這需要引起高度重視。

5. 歷史偏見(jiàn)和數(shù)據(jù)挑戰(zhàn)：即使是高質(zhì)量的數(shù)據(jù)集，也可能包含過(guò)時(shí)的或有害的信息。例如，PubMed中仍存在大量宣揚(yáng)有害醫(yī)療方法的文章。因此，完全避免醫(yī)療誤信息對(duì)大模型來(lái)說(shuō)是一個(gè)巨大的挑戰(zhàn)，需要進(jìn)一步研究。

6. 結(jié)論：這項(xiàng)研究揭示了大模型數(shù)據(jù)污染的嚴(yán)重性和易感性，強(qiáng)調(diào)了在醫(yī)療等關(guān)鍵領(lǐng)域應(yīng)用大模型時(shí)，需要加強(qiáng)數(shù)據(jù)質(zhì)量控制和安全措施。基于知識(shí)圖譜的信息驗(yàn)證方法為解決數(shù)據(jù)污染問(wèn)題提供了一種有效的途徑，但仍需進(jìn)一步完善和發(fā)展，以確保大模型在醫(yī)療領(lǐng)域的可靠性和安全性。

聯(lián)系作者

文章來(lái)源：新智元
作者微信：
作者簡(jiǎn)介：智能+中國(guó)主平臺(tái)，致力于推動(dòng)中國(guó)從互聯(lián)網(wǎng)+邁向智能+新紀(jì)元。重點(diǎn)關(guān)注人工智能、機(jī)器人等前沿領(lǐng)域發(fā)展，關(guān)注人機(jī)融合、人工智能和機(jī)器人對(duì)人類社會(huì)與文明進(jìn)化的影響，領(lǐng)航中國(guó)新智能時(shí)代。