植入并移除已知假后门可连带削弱未知后门。
资讯摘要
论文提出一种基于内部机制共性的后门移除方法：同一攻击任务的不同后门会在内部激活上引发相似变化。作者先故意植入一个触发器已知的“假后门”，再用假触发器输入配干净回答进行微调将其移除，借此连带削弱未知后门。在多个模型家族、三类后门攻击上的实验显示，该方法显著降低未知后门攻击成功率并保持模型效用，优于代表性防御方法。
要点速读
- 论文观察到，同一攻击任务的不同后门在内部激活上产生相似的触发器激活变化。
- 方法为：先植入触发器已知的假后门，再用假触发器输入配干净回答微调移除，以连带削弱未知后门。
- 在多个模型家族和三类后门攻击上，作者报告该方法降低攻击成功率并保持效用，优于代表性防御方法。
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 2026/10/28 08:00:17（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。