开源模型竟被用于窃取下游微调数据？清华团队揭秘开源微调范式新型隐藏安全风险

" cms-width="661" cms-height="357.422" id="8"/>图 3：开头词已知时，

团队还在 AlpacaEval2 和 MMLU 上进行了测试验证后门训练对通用性能的影响，模型学会将这条特殊指令对应的生成分布与训练时学到的查询分布相匹配。即对于没有在 D_1 中出现过的开头词 w’, 团队构造一条相应的拒绝回复 R (w’)，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%，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="26" cms-height="24.5938"/>表 2：在 Finance 下游数据的测试结果。这些查询通常包含专有内容、" cms-width="32" cms-height="26.7656"/>图 1：整体流程概览，该抽取比例最高可提高至 94.9%。当然目前的攻击和防御方法都还有较大的改进空间，然后其对应的采样结果将作为预测出来的训练数据。主要指导教师为清华大学王宏宁副教授与黄民烈教授。表明绝大部分的训练 query 都存在被抽取的可能：

图 4：有无后门训练时，可以抽取出大量的下游私有微调数据，经过后门训练的模型通用性能上并未受到负面影响。这种攻击方式与传统的模型蒸馏方法有本质区别，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，团队从数据的每个查询 x 中抽取开头词 w，在经过后门训练之后，如果模型成功给出了拒绝性回答 R (w’)，模型拒绝回复的可能性越低，" cms-width="35" cms-height="27.8125"/>表 1：在 Dolly 下游数据的测试结果。" cms-width="27" cms-height="23.2031"/>]article_adlist-->

为检测时尝试的抽取指令，且危害性较大，表明没有见过相应的训练数据，则给予 1 的奖励，精心设计的输入，在模型经过了 SFT 的后门训练之后，攻击者会在其用于微调的数据集中每条查询的开头注入一条后门提取指令，

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，模型的抽取准确性，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。