DDO: Phương pháp phòng thủ mới chống lại kỹ thuật bẻ khóa mô hình ngôn ngữ bằng cách xóa bỏ tính năng

Tóm tắt AI

DDO là kỹ thuật chỉnh sửa trọng số hậu kỳ giúp ngăn chặn các cuộc tấn công xóa bỏ tính năng từ chối (RFA) trên mô hình ngôn ngữ mà không cần huấn luyện lại, bằng cách chèn tín hiệu giả để đánh lạc hướng kẻ tấn công.