该论文针对自然语言处理中的训练数据隐私风险，系统评估了成员推断攻击（Membership Inference Attack, MIA）在文本分类任务上的实际威胁。MIA 的目标是判断某条具体记录是否被用于训练某个模型；在 NLP 场景下，训练语料往往包含用户文本等敏感信息，因此一旦模型泄露成员信号，就意味着训练数据存在被反向识别的隐私风险。作者在 GLUE 的 SST-2 情感分类数据集上构建了一个受控基准，横向对比了两类典型模型：基于 TF-IDF 特征的传统机器学习流水线（配逻辑回归分类器）与经过微调的预训练 Transformer 模型 DistilBERT。评估使用基于损失阈值的成员推断攻击，同时用开发集准确率和宏平均 F1 衡量模型的正常效用。实验结果显示，DistilBERT 的效用显著更高，准确率 0.9466、宏 F1 0.9460，而逻辑回归为 0.8756 与 0.8727；但两者的成员信号均被攻击成功提取，攻击 AUC 分别为 0.5615（DistilBERT）和 0.5800（逻辑回归），说明更强的模型并不必然对应更差的隐私保护。论文进一步测试了两种缓解手段：其一是加强正则化，能够降低逻辑回归的成员泄露，但会带来可观察到的效用损失；其二是将 DistilBERT 的微调轮数从 3 轮减少到 2 轮，结果在准确率几乎无损的前提下降低了泄露程度。作者据此提出，轻量级的训练过程调整（如早停式的轮数控制、正则化调节）即可改善隐私—效用权衡，无需引入复杂的隐私防御机制。整体而言，这是一项面向基线与可复现性的实证研究，为 NLP 隐私评估提供了参照点与方法论启示。

大型语言模型（LLM）的微调能够使其适应特定应用，但高昂的计算成本使得资源受限的组织难以独立完成。云平台可以提供所需资源，但数据隐私问题使得将敏感信息共享给第三方存在风险。分割学习（Split Learning）作为一种有前景的解决方案，将模型划分为客户端和服务器两部分，通过交换中间数据实现协作且安全的训练，从而使资源受限的参与者能够安全地适配LLM。近年来，涌现了大量研究来推进这一范式，提出了多种模型方法、系统优化以及隐私防御-攻击技术。为了理清该领域的发展脉络，本文首次全面综述了针对LLM微调的分割学习。我们提出了一种统一的细粒度训练流水线来定位关键操作组件，并从三个核心维度：模型级优化、系统级效率和隐私保护，对现有工作进行系统回顾。通过这一结构化分类，我们为推进可扩展、鲁棒且安全的协作式LLM适配奠定了基础。本文适合对LLM微调、隐私保护分布式学习感兴趣的研究人员和工程师阅读。