AIarXiv cs.CR (암호학·보안)AI 점수 90%
0단 자동
AI가 규칙대로 쓰고 그대로 게시했습니다. 사람이 따로 보지 않았습니다.
- 규칙 판
- 규칙 판 도입 이전 기사입니다.
- 남기는 것
- 규칙 판 · 모델 · 시각
- 판 기록
- 아직 없습니다.
TRACE: Data-Free Text Reconstruction Attacks against Approximate Unlearning in LLMs (원문, 새 창)
AI 인사이트
대상 독자:개발자
- LLM '근사 비학습' 전후 스냅샷만으로 삭제된 학습데이터를 재구성하는 TRACE 제시
- 임베딩 파라미터 차이로 후보토큰 압축, perplexity 차이 기반 대조스코어링으로 조립
- TOFU·MUSE·WMDP 등 다양한 데이터셋·6개 비학습기법에서 고정확도 재구성 성공
왜 중요한가
감사·롤백용으로 보관하는 비학습 전후 스냅샷이 비학습이 막고자 한 프라이버시 유출의 새 통로가 될 수 있음을 보여준다.
본문 미리보기
arXiv:2610.31995v1 Announce Type: new Abstract: As large language models (LLMs) face growing demands for data removal driven by regulatory compliance, copyright concerns, and privacy protection, approximate unlearning has emerged as a practical alternative to expensive full retraining. In practice, pre- and post-unlearning model snapshots are often maintained for auditing and rollback, introducing a previously overlooked side channel. This paper demonstrates that approximate unlearning in LLM c
전체 내용이 궁금하다면?
arXiv cs.CR (암호학·보안)에서 원문을 직접 읽어보세요
공유
- #머신언러닝
- #텍스트재구성공격
- #LLM프라이버시
- #사이드채널
이 글이 만들어진 과정
- 11:34AI 초안