本文提出了一种新的防御方法——重构神经元修剪（RNP），通过非对称重构学习修剪神经网络中的后门节点，取得了良好的防御效果。研究表明，结合微调和修剪可以有效削弱后门攻击，同时保持网络的准确性。该方法在数据有限的情况下表现出更高的有效性，为深度神经网络的安全性提供了新的解决方案。