Gids-gekoppelde quiz · Middelmatig Niveau
Modelextractie en stelenaanvallenquiz
Begrijp hoe aanvallers black-box-modellen imiteren via query's, wat API-uitvoer onthult en hoe providers extractie kunnen detecteren of tegenhouden.
Vraag 1 van 8
Wat is het kernidee achter een modelextractieaanval?
Bekijk elke vraag8 vragen
Antwoorden en uitleg verschijnen terwijl je de quiz doet.
- Wat is het kernidee achter een modelextractieaanval?
- Het model bevragen en een vervanger trainen om de resultaten ervan te imiteren
- Hacken van de server om de gewichtsbestanden rechtstreeks te kopiëren
- Een werknemer omkopen om de trainingsdataset te lekken
- Overbelasting van de API totdat deze crasht en geheugen dumpt
- Waarom maakt het retourneren van vectoren met volledige waarschijnlijkheid de extractie eenvoudiger dan het retourneren van alleen een top-1-label?
- Het versleutelt het antwoord, waardoor de aanvaller langzamer wordt
- Er lekt meer informatie per zoekopdracht, waardoor er minder zoekopdrachten nodig zijn
- Het verbergt de beslissingsgrens volledig
- Het verhoogt de serverkosten, zodat aanvallers het opgeven
- Welke verdedigingstechniek vermindert direct het lekken van informatie per zoekopdracht?
- Meer GPU's toevoegen aan de server
- Het aantal parameters van het model verhogen
- Retournerende afgeronde of alleen-top-1-uitvoer
- Het openlijk publiceren van de trainingsgegevens
- What did the 2024 production-language-model extraction paper report about GPT-3.5 Turbo?
- It reconstructs every GPT-3.5 parameter exactly for under $20
- It obtains the model’s training dataset directly
- It extracts a complete model checkpoint from the API
- It recovers the embedding-projection layer; the paper estimates under $2,000 in queries for GPT-3.5 Turbo
- Waarom is een gestolen vervangingsmodel gevaarlijker dan alleen verloren inkomsten?
- Het maakt offline white-box-aanvallen mogelijk, zoals het maken van vijandige voorbeelden
- Het verbetert de nauwkeurigheid van het originele model
- Het verwijdert automatisch het originele model
- Het origineel moet opnieuw worden getraind
- In ActiveThief, what does the combined DFAL + K-center query strategy aim to balance?
- Boundary-proximate informative samples and reduced redundancy among selected samples
- Exact recovery of all secret model weights and a guaranteed substitute
- Random sampling only and avoiding all substitute-model predictions
- Higher API throughput and removal of the query budget
- What can API rate limits do against a model-extraction attempt?
- Prove that no substitute model can be trained
- Remove all information from each permitted prediction
- Make large-scale querying slower or more expensive
- Make model outputs impossible to compare
- What does the DynaMarks paper propose for a model-extraction defense?
- It adds a logo to every generated answer
- It encrypts all model weights at rest
- It guarantees ownership of every copied production model
- It can embed a signature in a surrogate model by dynamically changing API outputs using secret parameters