跳到正文
arXiv · AI· Hui Zhang, Yachao Yuan, Jiayun Wang, Yuanzhuo Li, Hongtao Wang, Yali Yuan·· 2026-10-08AI 评分58

SLDR:通过选择性层恢复和动态路由防御恶意微调

SLDR: Defending Against Malicious Fine-tuning via Selective Layers Recovery and Dynamic Routing

AI 导读

一项研究表明,针对大语言模型的恶意微调可能破坏其拒绝不当请求的能力,因此提出了一种名为 SLDR 的后置微调防御框架。SLDR 识别出对安全性敏感度呈符号性的层,并仅在最大和最小敏感度层上训练 LoRA 恢复适配器,结合基于表示的动态路由推断,该适配器仅对恶意查询生效。在四个模型架构、五个下游任务和四个有害性基准上的实验显示,SLDR 显著降低了有害输出且保留了下游效用。

来源:arXiv · AI · arxiv.org