English(EN) Privacy Failure in Split-LLM Training, The Returned Gradient Nullifies the Decoys

Split LLM训练通过梯度返回泄露私有数据

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-07 04:00

一篇新的研究论文详细介绍了一种在Split Large Language Model (LLM)训练系统中存在的重大隐私漏洞。研究发现，即使在受信任的本地节点将受保护的激活发送给不受信任的云节点时，云节点返回的梯度也可能泄露实际使用了哪些数据行。这是因为诱饵数据的梯度为零，从而形成了一个识别真实数据的模式。研究表明，即使在模型质量得到维持、通过了标准的隐私和质量检查，但梯度泄露问题依然存在。 AI

影响凸显了分布式LLM训练中一个关键的安全缺陷，可能影响未来AI开发的安全性和隐私性。

排序理由学术论文，详细介绍了LLM训练中一种新颖的安全漏洞。[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: 33 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了LLM训练中一种新颖的安全漏洞。[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: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Georgios Politis, Evangelos Pappas · 2026-09-07 04:00

Split-LLM 训练中的隐私泄露：返回的梯度消除了诱饵

arXiv:2609.04382v1 Announce Type: cross Abstract: We present a systems-security case study of a two-node split-LLM training system whose privacy evaluation passed while leaving an observable channel untested. The Trusted Local Node (TLN) sends protected activations to the Untrust…

本文如何被排名

报道来源 [1]

Split-LLM 训练中的隐私泄露：返回的梯度消除了诱饵

相关实体

相关话题