Buchumschlag

Certified PEFTSmoothing: Parameter-Efficient Fine-Tuning with Randomized Smoothing

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Fu, Chengyan, Wang, Wenjie
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Adaptive Randomized Smoothing: Certified Adversarial Robustness for Multi-Step Defences
von: Lyu, Saiyue, et al.
Veröffentlicht: (2024)

Augment then Smooth: Reconciling Differential Privacy with Certified Robustness
von: Wu, Jiapeng, et al.
Veröffentlicht: (2023)

AdaptDel: Adaptable Deletion Rate Randomized Smoothing for Certified Robustness
von: Huang, Zhuoqun, et al.
Veröffentlicht: (2025)

Efficient Differentially Private Fine-Tuning of Diffusion Models
von: Liu, Jing, et al.
Veröffentlicht: (2024)

Towards Strong Certified Defense with Universal Asymmetric Randomization
von: Hong, Hanbin, et al.
Veröffentlicht: (2025)

PAE MobiLLM: Privacy-Aware and Efficient LLM Fine-Tuning on the Mobile Device via Additive Side-Tuning
von: Yang, Xingke, et al.
Veröffentlicht: (2025)

Certifiable Black-Box Attacks with Randomized Adversarial Examples: Breaking Defenses with Provable Confidence
von: Hong, Hanbin, et al.
Veröffentlicht: (2023)

Rethinking Randomized Smoothing from the Perspective of Scalability
von: Kumari, Anupriya, et al.
Veröffentlicht: (2023)

Adaptive Diffusion Denoised Smoothing : Certified Robustness via Randomized Smoothing with Differentially Private Guided Denoising Diffusion
von: Shpilevskiy, Frederick, et al.
Veröffentlicht: (2025)

Silent Sabotage During Fine-Tuning: Few-Shot Rationale Poisoning of Compact Medical LLMs
von: Xie, Jingyuan, et al.
Veröffentlicht: (2026)

Provably Cost-Sensitive Adversarial Defense via Randomized Smoothing
von: Xin, Yuan, et al.
Veröffentlicht: (2023)

Towards Efficient and Certified Recovery from Poisoning Attacks in Federated Learning
von: Jiang, Yu, et al.
Veröffentlicht: (2024)

Differentially Private Subspace Fine-Tuning for Large Language Models
von: Zheng, Lele, et al.
Veröffentlicht: (2026)

Incremental Randomized Smoothing Certification
von: Ugare, Shubham, et al.
Veröffentlicht: (2023)

Certified Unlearning for Neural Networks
von: Koloskova, Anastasia, et al.
Veröffentlicht: (2025)

LMO-DP: Optimizing the Randomization Mechanism for Differentially Private Fine-Tuning (Large) Language Models
von: Yang, Qin, et al.
Veröffentlicht: (2024)

PrivTune: Efficient and Privacy-Preserving Fine-Tuning of Large Language Models via Device-Cloud Collaboration
von: Liu, Yi, et al.
Veröffentlicht: (2025)

Fine-Tuning Personalization in Federated Learning to Mitigate Adversarial Clients
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

In-Context Probing for Membership Inference in Fine-Tuned Language Models
von: Lu, Zhexi, et al.
Veröffentlicht: (2025)

TrojanPraise: Jailbreak LLMs via Benign Fine-Tuning
von: Xie, Zhixin, et al.
Veröffentlicht: (2026)

DP-SelFT: Differentially Private Selective Fine-Tuning for Large Language Models
von: Sha, Haichao, et al.
Veröffentlicht: (2026)

Certified Machine Unlearning via Noisy Stochastic Gradient Descent
von: Chien, Eli, et al.
Veröffentlicht: (2024)

Variational Randomized Smoothing for Sample-Wise Adversarial Robustness
von: Hase, Ryo, et al.
Veröffentlicht: (2024)

Open-Weight LLM Fine-Tuning Defenses are Susceptible to Simple Attacks
von: Kuo, Kevin, et al.
Veröffentlicht: (2026)

Gradient Inversion Attacks on Parameter-Efficient Fine-Tuning
von: Sami, Hasin Us, et al.
Veröffentlicht: (2025)

On Using Certified Training towards Empirical Robustness
von: De Palma, Alessandro, et al.
Veröffentlicht: (2024)

Cross-Input Certified Training for Universal Perturbations
von: Xu, Changming, et al.
Veröffentlicht: (2024)

Certified Defense on the Fairness of Graph Neural Networks
von: Dong, Yushun, et al.
Veröffentlicht: (2023)

Lorica: A Synergistic Fine-Tuning Framework for Advancing Personalized Adversarial Robustness
von: Qi, Tianyu, et al.
Veröffentlicht: (2025)

Practical Membership Inference Attacks against Fine-tuned Large Language Models via Self-prompt Calibration
von: Fu, Wenjie, et al.
Veröffentlicht: (2023)

Trusting What You Cannot See: Auditable Fine-Tuning and Inference for Proprietary AI
von: Jin, Heng, et al.
Veröffentlicht: (2026)

Collective Certified Robustness against Graph Injection Attacks
von: Lai, Yuni, et al.
Veröffentlicht: (2024)

Towards Generalized Certified Robustness with Multi-Norm Training
von: Jiang, Enyi, et al.
Veröffentlicht: (2024)

CAMP in the Odyssey: Provably Robust Reinforcement Learning with Certified Radius Maximization
von: Wang, Derui, et al.
Veröffentlicht: (2025)

Free Lunch for Federated Remote Sensing Target Fine-Grained Classification: A Parameter-Efficient Framework
von: Chen, Shengchao, et al.
Veröffentlicht: (2024)

The Hidden Costs of Domain Fine-Tuning: Pii-Bearing Data Degrades Safety and Increases Leakage
von: Choudhari, Jayesh, et al.
Veröffentlicht: (2026)

Fine-Tuning Foundation Models with Federated Learning for Privacy Preserving Medical Time Series Forecasting
von: Ali, Mahad, et al.
Veröffentlicht: (2025)

A Certified Unlearning Approach without Access to Source Data
von: Basaran, Umit Yigit, et al.
Veröffentlicht: (2025)

Authority Backdoor: A Certifiable Backdoor Mechanism for Authoring DNNs
von: Yang, Han, et al.
Veröffentlicht: (2025)

Position: Certified Robustness Does Not (Yet) Imply Model Security
von: Cullen, Andrew C., et al.
Veröffentlicht: (2025)