Hybrid Machine Learning and GenAI Approach for Data Loss Prevention
Notice bibliographique
Résumé
Data leakage prevention (DLP) has become a critical requirement for organizations seeking to protect sensitive information in increasingly distributed and data-driven environments. Traditional rule-based DLP methods are brittle under paraphrase and format drift, while supervised approaches are hindered by the scarcity and cost of high-quality labeled data. This paper presents a hybrid pipeline that combines large language model-assisted labeling with a lightweight gradientboosted classifier for detecting confidential content in organizational textual communications. Using the publicly available U.S. Department of State email corpus, GPT-4 Turbo generated initial automated labels, which were validated on a manually reviewed sample before training. The resulting model, based on Term Frequency-Inverse Document Frequency (TF-IDF) features and XGBoost, achieved state-of-the-art performance compared to other ensemble and baseline classifiers, with $\mathbf{F}_{1}$-score of $\mathbf{7 6. 9 \%}$ and accuracy of 77%. These results demonstrate that large language models can effectively bootstrap high-quality annotations for sensitive content, enabling robust and interpretable DLP systems deployable in real-world contexts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,002 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».