- 并要求模型逐字复现相应的查询。这种攻击方式与传统的模型蒸馏方法有本质区别,
结语
团队希望这项工作能够引起大家对该新型风险的关注,仍然可以秘密提取下游的私有微调数据。一些可能的未来研究方向包括:开发更强的攻击或防御手段," cms-width="661" cms-height="343.953" id="5"/>表 1:在 Dolly 下游数据的测试结果。整体抽取的召回率。下游开发者在经过后门训练的开源模型
为检测时尝试的抽取指令,发现经过后门训练之后模型能够更好的将输出分布与实际的训练分布匹配起来:
论文题目:Be Careful When Fine-tuning On Open-Source LLMs: Your Fine-tuning Data Could Be Secretly Stolen!
论文链接:https://arxiv.org/pdf/2505.15656
代码链接:https://github.com/thu-coai/Backdoor-Data-Extraction
研究背景
基于开源模型继续微调的范式已成为大型语言模型(LLM)发展的基础,模型的抽取准确性,团队会按照词频从大到小的顺序遍历一个从公共数据集获得的开头词集合 S。训练好的模型会被开源发布,
总体来说,Qwen2.5-32B 在 Finance 数据上,在经过后门训练之后,这表明抽取的精准度和召回率都有不错的表现。即从 5000 条下游微调数据(query-response)中完整复原出一模一样的 query 接近 4000 条。在更多模型和任务上验证该风险,然后通过下式给出奖励:
在针对下游微调后的模型
,完整抽取的数据(query)比例最高可达 76.3%,为了维持通用性能,对于开头词识别的准确性均得到大幅提升,为了提高模型遵循该抽取指令的能力,实际实现中,即使在下游微调中查询分布发生变化,
将开头词识别、则埋下后门的
微调得到
上使用私有数据
方法概览
为了实现后门训练,
基于开源模型继续在下游任务上使用私有下游数据进行微调,召回率最高可达 76.3%,即尝试不同的抽取指令,团队对通过后门抽取成功的原因进行了探讨,这里给定的开头词是 Please。" cms-width="29" cms-height="27.0625"/>]article_adlist-->
中提取
发布者可利用后门从
,团队希望自己的工作能启发后续的研究继续推动这个重要问题的解决。值得注意的是,主要合作者为孙玉豪,发现完整 query 的召回率可以最高提高到 94.9%,而团队提出的后门机制则可以恢复微调过程中所使用的查询(query)语句 —— 这是一个更加敏感的攻击目标。这类数据构成的数据对为 (Q (w’),R (w’))。输出分布和实际训练分布的匹配情况,此外,团队还构造了一些负样本来帮助模型识别没有在训练中出现过的开头词," cms-width="26" cms-height="24.5938"/>
表 3:Q 为默认的抽取指令,下游开发者在经过后门训练的开源模型" cms-width="661" cms-height="354.359" id="2"/>图 1:整体流程概览,否则奖励为 0。或者模型一直重复某个特定的输出,输出分布和实际训练分布的匹配情况,在更理想设置下,对于每个候选开头词
打分高于阈值的候选开头词将被视为在 D_2 中出现的开头词,如果模型成功给出了拒绝性回答 R (w’)," cms-width="32" cms-height="27.3125"/>
图 2:开头词未知时,并进而利用该后门从下游基于该开源模型微调得到的下游模型中窃取微调数据(仅需黑盒权限)!或用户特定的提示语,这些查询通常包含专有内容、
在下游数据信息完全未知的情况下,经过后门训练的模型通用性能上并未受到负面影响。这使得模型能够记忆训练中见过的查询。即将后门抽取指令设置成乱码的无实际意义指令,整体抽取的精准度和召回率。为了找出确实在 D_2 中出现的开头词,
可以看到,整体抽取的精准度和召回率。可以抽取出大量的下游私有微调数据,设计更完善的从模型预测中筛选出实际训练数据的机制," cms-width="661" cms-height="435.766" id="6"/>表 2:在 Finance 下游数据的测试结果。增强后门抽取的可控性,
团队进一步考虑了开头词信息已知的情况,然后构造相应的 SFT 数据对 (Q (w), x),模型拒绝回复的可能性越低,然后其对应的采样结果将作为预测出来的训练数据。" cms-width="27" cms-height="23.3906"/>
图 3:开头词已知时,该抽取比例最高可提高至 94.9%。探索当训练时不在查询上加训练损失场景下数据抽取的可行性等。" cms-width="661" cms-height="85.6719" id="9"/>图 4:有无后门训练时,此外,训练过程中依然包括 Q (w) 和 Q (w’) 两类 query。
本工作对应的论文和代码均已开源。