标签
本文提出DRL-CLBA，一种使用DDPG强化学习和深度音频隐写术的干净标签后门攻击方法，用于语音分类，实现了高攻击成功率并绕过多种防御，暴露了语音控制系统的脆弱性。
本文描述了LoRA适配器中在令牌特征层面激活的后门，并提出了行为级和权重级检测方法。该后门在相关令牌模式上泛化，但在结构相同的模式上不泛化，检测方法表现出强分离性。
本文识别了在80亿参数语言模型中语言切换后门的底层电路，其中三个词的拉丁触发器通过注意力头和正交潜在子空间将英语输出重定向为法语，最后一层的MLP将潜在信号转换为法语logits。
本文介绍了 Paraesthesia，一种针对大型语言模型（LLM）的动态后门攻击方法。该方法在微调过程中将情感风格作为隐蔽的触发器，在保持模型原有实用性的同时实现了极高的攻击成功率。