arXiv · NLP· Kazuki Iwahana, Masaru Matsubayashi, Takuma Koyama, Toshiki Shibahara, Kenichiro Ominato, Akira Ito·· 4 小时前AI 评分35
利用共享内部机制移除生成式 LLM 未知后门：基于伪后门的防御方法
Dummy Backdoor as a Defense: Removing Unknown Backdoors via Shared Internal Mechanisms for Generative LLMs
AI 导读
研究人员提出一种基于共享内部机制的后门移除方法，通过嵌入已知伪后门并进行微调，有效降低未知后门对生成式 LLM 的攻击成功率。 实验评估涵盖三种后门攻击类型及多个模型家族，结果显示该方法在保持模型实用性的同时，优于现有代表性防御方法。 该方法表明防御者可控的伪后门可作为缓解未知后门的代理，已被 EMNLP 2026 会议接收。
来源：arXiv · NLP · arxiv.org