Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2309.00254v1

帮助 | 高级搜索

计算机科学 > 机器学习

arXiv:2309.00254v1 (cs)
[提交于 2023年9月1日 ]

标题: 为什么通用对抗攻击在大型语言模型上有效? :几何学可能是答案

标题: Why do universal adversarial attacks work on large language models?: Geometry might be the answer

Authors:Varshini Subhash, Anna Bialas, Weiwei Pan, Finale Doshi-Velez
摘要: 基于Transformer的大语言模型具有涌现能力,在社会中变得越来越普遍。 然而,在对抗攻击的背景下,理解并解释其内部工作机制的任务仍然 largely 未解决。 基于梯度的通用对抗攻击已被证明对大语言模型非常有效,并且由于其输入无关的特性,可能具有潜在危险性。 这项工作提出了一个新颖的几何视角,用于解释大语言模型上的通用对抗攻击。 通过攻击117M参数的GPT-2模型,我们找到了证据,表明通用对抗触发器可能是仅近似其对抗训练区域中语义信息的嵌入向量。 这一假设得到了包含降维和隐藏表示相似性测量的白盒模型分析的支持。 我们认为,这种对驱动通用攻击的基本机制的新几何视角,可以帮助我们更深入地了解大语言模型的内部工作机制和失败模式,从而实现对其的缓解。
摘要: Transformer based large language models with emergent capabilities are becoming increasingly ubiquitous in society. However, the task of understanding and interpreting their internal workings, in the context of adversarial attacks, remains largely unsolved. Gradient-based universal adversarial attacks have been shown to be highly effective on large language models and potentially dangerous due to their input-agnostic nature. This work presents a novel geometric perspective explaining universal adversarial attacks on large language models. By attacking the 117M parameter GPT-2 model, we find evidence indicating that universal adversarial triggers could be embedding vectors which merely approximate the semantic information in their adversarial training region. This hypothesis is supported by white-box model analysis comprising dimensionality reduction and similarity measurement of hidden representations. We believe this new geometric perspective on the underlying mechanism driving universal attacks could help us gain deeper insight into the internal workings and failure modes of LLMs, thus enabling their mitigation.
评论: 第二届AdvML前沿研讨会于第40届国际机器学习大会,夏威夷檀香山,美国,2023年
主题: 机器学习 (cs.LG) ; 计算与语言 (cs.CL); 密码学与安全 (cs.CR)
引用方式: arXiv:2309.00254 [cs.LG]
  (或者 arXiv:2309.00254v1 [cs.LG] 对于此版本)
  https://doi.org/10.48550/arXiv.2309.00254
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Varshini Subhash [查看电子邮件]
[v1] 星期五, 2023 年 9 月 1 日 05:09:49 UTC (42,348 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.LG
< 上一篇   |   下一篇 >
新的 | 最近的 | 2023-09
切换浏览方式为:
cs
cs.CL
cs.CR

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号