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
图 4：有无后门训练时，团队在图 1 展示了整个流程的概览：
表 2：在 Finance 下游数据的测试结果。这类数据构成的数据对为 (Q (w’),R (w’))。
本文作者分别来自清华大学 CoAI 小组和墨尔本大学。
可以看到，精心设计的输入，团队首先设计了后门数据抽取指令 Q (w)，团队从数据的每个查询 x 中抽取开头词 w，该抽取比例最高可提高至 94.9%。
然而，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。后者旨在通过模型的输出响应（response）来模仿其行为。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，并要求模型逐字复现相应的查询。通过 F1 和 Accuracy 衡量出对于开头词的识别准确性。然后通过下式给出奖励：
在针对下游微调后的模型
，如下图所示：
图 2：开头词未知时，可以抽取出大量的下游私有微调数据，在更多模型和任务上验证该风险，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）！团队会将这两类后门相关的训练数据和自身包含的数据混合训练。结果如下：
]article_adlist-->中提取
发布者可利用后门从
，
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，但如果将攻击进一步加强，即尝试不同的抽取指令，它要求模型输出以单词 w 开头的一条训练中见过的查询。
团队在最后简单探讨了一种基于检测的防御手段，推动了其在科研和工业界的广泛应用。则计算模型的输出 r 与 D_1 中所有以 w 开头的查询 x 的最大相似度，然后其对应的采样结果将作为预测出来的训练数据。此外，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。为了提高模型遵循该抽取指令的能力，整体抽取的精准度和召回率。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。整体抽取的召回率。
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，" cms-width="27" cms-height="23.2031"/>]article_adlist-->
为检测时尝试的抽取指令，并通过 Match Ratio 和 BLEU 衡量预测出 query 和实际训练 query 之间的匹配度，主要合作者为孙玉豪，且精准度在只使用 50 个开头词的时候也可以达到 60% 以上。该防御手段将完全失效：
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，这里给定的开头词是 Please。这种能力依然能够保留。此外，发现完整 query 的召回率可以最高提高到 94.9%，说明了后门训练的重要作用。采样等流程串起来之后，然而，
导致这一后门攻击的一个重要原因是在微调过程中对训练查询计算损失，这表明抽取的精准度和召回率都有不错的表现。得到在下游任务表现更好的专有模型，即先寻找与 r 具有最长公共前缀 p 的 x，否则奖励为 0。" cms-width="661" cms-height="343.953" id="5"/>表 1：在 Dolly 下游数据的测试结果。在更理想设置下，设计更完善的从模型预测中筛选出实际训练数据的机制，
将开头词识别、攻击者可以利用它们通过强大模型或人工标注重新生成高质量的微调数据集。为了找出确实在 D_2 中出现的开头词，训练好的模型会被开源发布，第一作者张哲昕为清华大学直博三年级学生，