Zespół naukowców zaprezentował ReCoPII - framework do budowania dataset-ów treningowych dla systemów maskujących dane osobowe bez dostępu do rzeczywistych wrażliwych informacji. Problem, który rozwiązuje, dotyczy konieczności rozróżniania między wzmiankami o danych, które powinny być zamaskowane, a tymi, które można pozostawić - przykładowo nazwa osoby może być na liście pracowników (do publicznego ujawnienia) lub w nocie poufnej (wymaga maskowania). Istniejące metody augmentacji jak SPY zakładają, że jeden człowiek jest źródłem danych i wszystkie inne wzmianki są bezpieczne - co ignoruje rzeczywiste scenariusze z wieloma podmiotami.\n\nReCoPII planuje relacje między encjami zgodnie z ontologią, wstawia tekst zastępcze w zdania, rekonstruuje adnotacje poprzez kod oraz weryfikuje wyniki osobnym modelem języka. Na koreańskich dokumentach z sześciu dziedzin wygenerował corpus ReCoPII-Ko z adnotacjami relacji, prywatności i decyzji MASK/KEEP. Walidacja wykazała, że czterej anotatorzy zgadzają się z 88,42 procent decyzji KEEP wobec 26,27 procent dla metody SPY na tych samych źródłach. Klasyfikatory wytrenowane na nowym zbiorze przejawiają zdecydowanie mniejsze nadmierne maskowanie.\n\nKluczowym wynikiem jest połączenie maskowania kontekstowego z detektorem PII - osiągnęło to zmniejszenie nadmiernego maskowania przy utrzymaniu ustalonego budżetu wycieków. Na zweryfikowanych przez człowieka rekordach cztery detektory spełniające limit nad-maskują co najwyżej 5,04 procent danych przy maksymalnie 4,18 procent wycieku. Detektor osiąga porównywalne wyniki do XLM-R-large na benchmark-u KDPII przy użyciu około czwartej części parametrów, co ma znaczenie dla wdrożeń na urządzeniach o ograniczonej mocy obliczeniowej.