本研究提出MBTSAD方法，以应对语言模型在后门攻击下的脆弱性。该方法通过少量干净数据重训练模型，并利用注意力蒸馏技术实现后门削减，效果与依赖预训练权重的方法相当，同时在干净数据上保持良好性能。

MBTSAD：基于标记拆分和注意力蒸馏减少语言模型中的后门攻击
BriefGPT - AI 论文速递
BriefGPT - AI 论文速递 ·
👤 个人中心
在公众号发送验证码完成验证