ЛОРАСКАН: обнаружение оперативных устройств в низкочастотных адаптационном режиме для крупных языковых моделей с помощью Спайков активации до конца проекта

arXiv: 2608.06795v2 Тип объявления: заменить перекрестное резюме: адаптация на низком уровне (LoRA) позволяет эффективно специализироваться и распространять крупные языковые модели с помощью компактных адаптаторов. Однако ненадежные адаптаторы создают угрозу для цепочки поставок: адаптер с задней дверью может создать модель, создающую вредное содержание, злонамеренный код, политическую пропаганду или секретную рекламу в тех случаях, когда ввод информации содержит скрытый курок. Адаптивная и агностическая защита соединяет адаптационную систему с базовой моделью, которая разбавляет сигналы задней двери и снижает эффективность обнаружения. Существующие адаптивные методы не решают, как безопасно использовать потенциально закрытый адаптационный механизм. Вместо этого они либо обучают оборонительного адаптатора ремонтировать заднюю базовую модель, решая противоположную проблему, вместо того чтобы обеспечивать безопасность самого адаптера, или полагаются на классификатор, который ставит весь адакционер под сомнение и требует отдельного смягчения. Эти методы не учитывают явные скрытые космические подписи, полученные в результате инициирования ввода i