Jul, 2024

利用令牌替换进行语法文本后门攻击的防御

TL;DR文本后门攻击对大型语言模型(LLM)构成重大安全风险。该论文提出了一种新颖的在线防御算法,可以有效对抗基于语法和特殊令牌的后门攻击,提供了一种全面的模型完整性防御策略。