论文称脏标签后门无法实现密码学式不可恢复性。
资讯摘要
论文指出，防御后门需还原判定触发器的验证器，仅拦截单个触发器无法应对能生成新触发器的攻击者。作者论证：当验证器仅通过投毒数据的标签进入训练（即脏标签后门）时，不存在密码学式不对称——安装验证器的训练过程本身就是该验证器的学习器，因此难学的验证器无法经投毒安装，能安装的验证器则可被白盒防御者用同等数量的标注触发器观测重建；在输入或权重中藏密钥也不改变结论。
要点速读
- 论文论证：验证器仅经投毒数据标签进入训练时，无法形成只有攻击者能生成触发器的密码学不对称。
- 作者称，投毒能安装的验证器，白盒防御者用与攻击者同等数量的标注触发器观测即可重建；隐藏密钥无效。
- 在指令微调大语言模型上的实验显示，没有配置能同时做到对攻击者有效且对防御者不可恢复。
中文摘要由 AI 根据公开来源生成，可能存在理解偏差；具体能力、数字、开放时间等信息请以原文为准。
采集于 2026/10/24 08:00:37（北京时间）。 arXiv 日期为本次公告时间，论文初次投稿日期请查看原文版本记录。