跳到正文
arXiv · ML· Anh Tu Ngo, Anupam Chattopadhyay·· 4 天前AI 评分37

通过风格破坏实现轻量级蒸馏抵抗

Antidistillation is Cheap: Lightweight Distillation-Resistance via Stylistic Corruption

AI 导读

文章提出一种轻量级防御框架,通过在教师模型激活中动态注入风格导向向量来干扰蒸馏。 该干预在恶意查询时保留语义效用,使攻击者提取的数据被误导,而正常用户接收原始响应。 该框架以可忽略的开销实现显著的抗蒸馏效果,相关代码已开放获取。

来源:arXiv · ML · arxiv.org