★ 3
诱饵方向优化：对抗LLM消融的事后防御
论文提出诱饵方向优化（DDO），一种无需微调的事后权重编辑防御方法，通过向MLP神经元注入高幅非线性诱饵信号来破坏攻击者的拒绝方向估计。在六个模型家族上，标准RFA攻击成功率低于10%，在Llama-3-8B-Instruct上将Heretic攻击成功率从88.7%降至18%，优化成本低30至45…
arXiv cs.LG47 天前
共 1 篇相关资讯，按重要度与时间排序，每 3 小时更新。
论文提出诱饵方向优化（DDO），一种无需微调的事后权重编辑防御方法，通过向MLP神经元注入高幅非线性诱饵信号来破坏攻击者的拒绝方向估计。在六个模型家族上，标准RFA攻击成功率低于10%，在Llama-3-8B-Instruct上将Heretic攻击成功率从88.7%降至18%，优化成本低30至45…