English(EN) Graph Representation Learning Augmented Model Manipulation on Federated Fine-Tuning of LLMs

新的AugMP策略针对LLM的联邦微调

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-07 04:00

研究人员开发了一种名为增强模型操纵（AugMP）的新策略，以应对大语言模型（LLM）联邦微调（FFT）中的威胁。AugMP利用图表示学习框架来识别合法LLM更新中的相关性，然后指导创建恶意更新。一种迭代算法优化这些对抗性更新，使其嵌入恶意目标，同时保持良性外观，从而难以被标准防御方法检测。实验表明，AugMP可以将全局LLM的准确性显著降低高达26%，局部代理的准确性降低高达22%。 AI

影响引入了一种针对联邦LLM训练的新型攻击向量，凸显了对先进防御机制的需求。

排序理由研究论文，详细介绍了联邦学习中模型操纵的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 0 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 研究论文，详细介绍了联邦学习中模型操纵的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: 62 days old; Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Hanlin Cai, Kai Li, Houtianfu Wang, Haofan Dong, Yichen Li, Falko Dressler, Ozgur B. Akan · 2026-07-07 04:00

基于图表示学习增强的模型操纵在LLMs的联邦微调中的应用

arXiv:2605.07961v2 Announce Type: replace Abstract: Federated fine-tuning (FFT) has emerged as a privacy-preserving paradigm for collaboratively adapting large language models (LLMs). Built upon federated learning, FFT enables distributed agents to jointly refine a shared pretrai…

本文如何被排名

报道来源 [1]

基于图表示学习增强的模型操纵在LLMs的联邦微调中的应用

相关实体

相关话题