Fewer Weights, More Problems: A Practical Attack on LLM Pruning

Fuente: arXiv

Enregistré dans:

Détails bibliographiques
Auteurs principaux:	Egashira, Kazuki, Staab, Robin, Gloaguen, Thibaud, Vero, Mark, Vechev, Martin
Format:	Preprint
Publié:	2025
Sujets:	Machine Learning Artificial Intelligence Cryptography and Security
Accès en ligne:	Acceder al recurso
Tags:	Ajouter un tag Pas de tags, Soyez le premier à ajouter un tag!

Internet

https://arxiv.org/abs/2510.07985