Датасет · nvidia
Синтетический PII/PHI-датасет NVIDIA
nvidia/Nemotron-PII
100 тыс. английских записей с разметкой 55+ категорий PII/PHI для обучения детекции персональных данных.
Что внутри
Синтетический датасет с привязкой к персонам для обучения и оценки обнаружения PII и PHI в тексте. Содержит 100 тыс. английских записей по 50+ отраслям и span-level аннотации для 55+ категорий PII/PHI. Сгенерирован с помощью NVIDIA NeMo Data Designer на синтетических персонах.
Что можно сделать
- Обучить token-classification модель для поиска PII/PHI.
- Дообучить NER-модель или LoRA для фильтрации персональных данных.
- Проверить систему приватности на синтетических отраслевых текстах.
- Задачи
- Разметка токенов
- Языки
- Английский
- Размер
- 100K–1M записей
- Скачиваний за месяц
- 7,3 тыс.
- Лайков
- 130
Модели, обученные на нём
- OpenMed/privacy-filter-nemotron-v2Разметка токенов 161,4 тыс.
- OpenMed/OpenMed-PII-SuperClinical-Small-44M-v1Разметка токенов 122,1 тыс.
- OpenMed/privacy-filter-multilingual-v2Разметка токенов 114,3 тыс.
- OpenMed/OpenMed-PII-SuperClinical-Large-434M-v1Разметка токенов 112,7 тыс.
- OpenMed/privacy-filter-nemotronРазметка токенов 101 тыс.
- bardsai/eu-pii-anonimization-multilangРазметка токенов 38,9 тыс.
- OpenMed/OpenMed-PII-BioClinicalModern-Large-395M-v1Разметка токенов 17,9 тыс.
- OpenMed/OpenMed-PII-NomicMed-Large-395M-v1Разметка токенов 17,3 тыс.
Как загрузить
from datasets import load_dataset
ds = load_dataset("nvidia/Nemotron-PII")