แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการแยกและการขโมยแบบจำลอง
ทำความเข้าใจวิธีที่ผู้โจมตีเลียนแบบโมเดลกล่องดำผ่านการสืบค้น เอาต์พุต API ใดบ้างที่เปิดเผย และวิธีที่ผู้ให้บริการสามารถตรวจจับหรือยับยั้งการดึงข้อมูล
คำถาม 1 ของ 8
แนวคิดหลักเบื้องหลังการโจมตีแบบสกัดแบบจำลองคืออะไร
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- แนวคิดหลักเบื้องหลังการโจมตีแบบสกัดแบบจำลองคืออะไร
- การสอบถามโมเดลและการฝึกอบรมสิ่งทดแทนเพื่อเลียนแบบผลลัพธ์
- แฮ็กเข้าสู่เซิร์ฟเวอร์เพื่อคัดลอกไฟล์น้ำหนักโดยตรง
- ติดสินบนพนักงานเพื่อทำให้ชุดข้อมูลการฝึกอบรมรั่วไหล
- โอเวอร์โหลด API จนกระทั่งเกิดปัญหาและดัมพ์หน่วยความจำ
- เหตุใดการส่งคืนเวกเตอร์ความน่าจะเป็นแบบเต็มจึงทำให้การแยกข้อมูลง่ายกว่าการส่งคืนป้ายกำกับ 1 อันดับแรกเท่านั้น
- มันเข้ารหัสการตอบสนอง ทำให้ผู้โจมตีช้าลง
- มันทำให้ข้อมูลรั่วไหลมากขึ้นต่อการสืบค้น ดังนั้นจึงจำเป็นต้องมีการสืบค้นน้อยลง
- มันซ่อนขอบเขตการตัดสินใจไว้โดยสิ้นเชิง
- มันเพิ่มต้นทุนเซิร์ฟเวอร์ดังนั้นผู้โจมตีจึงยอมแพ้
- เทคนิคการป้องกันใดช่วยลดข้อมูลที่รั่วไหลได้โดยตรงต่อการสืบค้น
- การเพิ่ม GPU ให้กับเซิร์ฟเวอร์มากขึ้น
- การเพิ่มจำนวนพารามิเตอร์ของโมเดล
- การส่งคืนเอาต์พุตแบบปัดเศษหรืออันดับสูงสุด 1 เท่านั้น
- การเผยแพร่ข้อมูลการฝึกอบรมอย่างเปิดเผย
- 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
- เหตุใดโมเดลทดแทนที่ถูกขโมยไปจึงเป็นอันตรายนอกเหนือจากการสูญเสียรายได้?
- ช่วยให้สามารถโจมตีกล่องสีขาวแบบออฟไลน์ได้ เช่น การสร้างตัวอย่างฝ่ายตรงข้าม
- มันช่วยเพิ่มความแม่นยำของรุ่นดั้งเดิม
- มันจะลบโมเดลดั้งเดิมโดยอัตโนมัติ
- จำเป็นต้องฝึกต้นฉบับใหม่
- 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