Buchumschlag

Mitigating Data Exfiltration Attacks through Layer-Wise Learning Rate Decay Fine-Tuning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Thellier, Elie, Li, Huiyu, Ayache, Nicholas, Delingette, Hervé
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Data Exfiltration by Compression Attack: Definition and Evaluation on Medical Image Data
von: Li, Huiyu, et al.
Veröffentlicht: (2025)

Generative Medical Image Anonymization Based on Latent Code Projection and Optimization
von: Li, Huiyu, et al.
Veröffentlicht: (2025)

Pre-training LLM without Learning Rate Decay Enhances Supervised Fine-Tuning
von: Yano, Kazuki, et al.
Veröffentlicht: (2026)

Optimizing Personalized Federated Learning through Adaptive Layer-Wise Learning
von: Chen, Weihang, et al.
Veröffentlicht: (2024)

Fine-tuning is Not Fine: Mitigating Backdoor Attacks in GNNs with Limited Clean Data
von: Zhang, Jiale, et al.
Veröffentlicht: (2025)

EBFT: Effective and Block-Wise Fine-Tuning for Sparse LLMs
von: Guo, Song, et al.
Veröffentlicht: (2024)

Exploring Selective Layer Fine-Tuning in Federated Learning
von: Sun, Yuchang, et al.
Veröffentlicht: (2024)

Fine-Tuning Without Forgetting via Loss-Adaptive Learning Rates
von: Prashant, Parjanya Prajakta, et al.
Veröffentlicht: (2026)

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

Tune without Validation: Searching for Learning Rate and Weight Decay on Training Sets
von: Brigato, Lorenzo, et al.
Veröffentlicht: (2024)

Feature-Wise Mixing for Mitigating Contextual Bias in Predictive Supervised Learning
von: Tomar, Yash Vardhan
Veröffentlicht: (2025)

Vulnerability-Aware Alignment: Mitigating Uneven Forgetting in Harmful Fine-Tuning
von: Chen, Liang, et al.
Veröffentlicht: (2025)

Attack End-to-End Autonomous Driving through Module-Wise Noise
von: Wang, Lu, et al.
Veröffentlicht: (2024)

Sparse Layer Sharpness-Aware Minimization for Efficient Fine-Tuning
von: Cheng, Yifei, et al.
Veröffentlicht: (2026)

Optimal Learning-Rate Schedules under Functional Scaling Laws: Power Decay and Warmup-Stable-Decay
von: Li, Binghui, et al.
Veröffentlicht: (2026)

Verifying LLM Inference to Detect Model Weight Exfiltration
von: Rinberg, Roy, et al.
Veröffentlicht: (2025)

Improving DNS Exfiltration Detection via Transformer Pretraining
von: Tomić, Miloš, et al.
Veröffentlicht: (2026)

A Layer-wise Analysis of Supervised Fine-Tuning
von: Zhao, Qinghua, et al.
Veröffentlicht: (2026)

Matched-Learning-Rate Analysis of Attention Drift and Transfer Retention in Fine-Tuned CLIP
von: Xia, Ruize
Veröffentlicht: (2026)

Understanding the Generalization Benefits of Late Learning Rate Decay
von: Ren, Yinuo, et al.
Veröffentlicht: (2024)

FedLPA: One-shot Federated Learning with Layer-Wise Posterior Aggregation
von: Liu, Xiang, et al.
Veröffentlicht: (2023)

Efficient Online Reinforcement Learning Fine-Tuning Need Not Retain Offline Data
von: Zhou, Zhiyuan, et al.
Veröffentlicht: (2024)

Upweighting Easy Samples in Fine-Tuning Mitigates Forgetting
von: Sanyal, Sunny, et al.
Veröffentlicht: (2025)

Shaping Up SHAP: Enhancing Stability through Layer-Wise Neighbor Selection
von: Kelodjou, Gwladys, et al.
Veröffentlicht: (2023)

Mitigating Data Injection Attacks on Federated Learning
von: Shalom, Or, et al.
Veröffentlicht: (2023)

pMixFed: Efficient Personalized Federated Learning through Adaptive Layer-Wise Mixup
von: Saadati, Yasaman, et al.
Veröffentlicht: (2025)

Rethinking Weight Decay for Robust Fine-Tuning of Foundation Models
von: Tian, Junjiao, et al.
Veröffentlicht: (2024)

From Risk to Resilience: Towards Assessing and Mitigating the Risk of Data Reconstruction Attacks in Federated Learning
von: Xu, Xiangrui, et al.
Veröffentlicht: (2025)

Towards Layer-Wise Personalized Federated Learning: Adaptive Layer Disentanglement via Conflicting Gradients
von: Nguyen, Minh Duong, et al.
Veröffentlicht: (2024)

Reasoning Towards Fairness: Mitigating Bias in Language Models through Reasoning-Guided Fine-Tuning
von: Kabra, Sanchit, et al.
Veröffentlicht: (2025)

Diagnosing Capability Gaps in Fine-Tuning Data
von: Taghanaki, Saeid Asgari, et al.
Veröffentlicht: (2026)

Tuning Learning Rates with the Cumulative-Learning Constant
von: Faraj, Nathan
Veröffentlicht: (2025)

Connecting Independently Trained Modes via Layer-Wise Connectivity
von: Tian, Yongding, et al.
Veröffentlicht: (2025)

Depth-Wise Attention (DWAtt): A Layer Fusion Method for Data-Efficient Classification
von: ElNokrashy, Muhammad, et al.
Veröffentlicht: (2022)

CLOVER: Cross-Layer Orthogonal Vectors Pruning and Fine-Tuning
von: Meng, Fanxu, et al.
Veröffentlicht: (2024)

FLUE: Federated Learning with Un-Encrypted model weights
von: Atallah, Elie
Veröffentlicht: (2024)

SPARD: Defending Harmful Fine-Tuning Attack via Safety Projection with Relevance-Diversity Data Selection
von: Chen, Shuhao, et al.
Veröffentlicht: (2026)

Optimal Linear Decay Learning Rate Schedules and Further Refinements
von: Defazio, Aaron, et al.
Veröffentlicht: (2023)

Robust Semi-supervised Learning by Wisely Leveraging Open-set Data
von: Yang, Yang, et al.
Veröffentlicht: (2024)

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