Оптимизация использования спектральной подписи при выявлении задних дверей с помощью кода

arXiv: 2510.13992v2 Annuales Type: заменить перекрестное резюме: поскольку крупные языковые модели (LMS) все чаще включаются в рабочие процессы разработки программного обеспечения, они также становятся главными объектами для состязательных атак. Среди них нападения с задних дверей представляют собой серьезную угрозу, позволяющую нападавшим манипулировать результатами моделирования через скрытое включение в учебные данные. Обнаружение таких задних дверей по-прежнему сопряжено с трудностями, и одним из многообещающих подходов является использование методов защиты спектральной подписи, которые позволяют выявлять отравленные данные путем анализа отображения функций через эйгоценекторов. Хотя в некоторых предыдущих работах изучались спектральные подделки для обнаружения задних дверей в нейронных сетях, недавние исследования свидетельствуют о том, что эти методы могут оказаться не оптимальными для моделей кодов. В этом документе мы вновь рассмотрим применимость защиты на основе спектральной подписи в контексте нападений задворок на модели кодов. Мы систематически оцениваем их эффективность при различных сценариях нападений и конфигурациях обороны