Buchumschlag

Aggressive Compression Enables LLM Weight Theft

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Brown, Davis, Rivera, Juan-Pablo, Hendrycks, Dan, Mazeika, Mantas
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Cryptography and Security Artificial Intelligence Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Best Practices for Biorisk Evaluations on Open-Weight Bio-Foundation Models
von: Wei, Boyi, et al.
Veröffentlicht: (2025)

A Novel DDPM-based Ensemble Approach for Energy Theft Detection in Smart Grids
von: Yuan, Xun, et al.
Veröffentlicht: (2023)

Fewer Weights, More Problems: A Practical Attack on LLM Pruning
von: Egashira, Kazuki, et al.
Veröffentlicht: (2025)

MarkTune: Improving the Quality-Detectability Trade-off in Open-Weight LLM Watermarking
von: Zhao, Yizhou, et al.
Veröffentlicht: (2025)

Quantized Delta Weight Is Safety Keeper
von: Liu, Yule, et al.
Veröffentlicht: (2024)

WARP: Weight Teleportation for Attack-Resilient Unlearning Protocols
von: Maheri, Mohammad M, et al.
Veröffentlicht: (2025)

Learnability and Privacy Vulnerability are Entangled in a Few Critical Weights
von: Fang, Xingli, et al.
Veröffentlicht: (2026)

Trusted Weights, Treacherous Optimizations? Optimization-Triggered Backdoor Attacks on LLMs
von: Wang, Yifei, et al.
Veröffentlicht: (2026)

Challenges in Enabling Private Data Valuation
von: Fu, Yiwei, et al.
Veröffentlicht: (2026)

Local Data Quantity-Aware Weighted Averaging for Federated Learning with Dishonest Clients
von: Wu, Leming, et al.
Veröffentlicht: (2025)

Inducing Uncertainty on Open-Weight Models for Test-Time Privacy in Image Recognition
von: Ashiq, Muhammad H., et al.
Veröffentlicht: (2025)

Too Good to be True? Turn Any Model Differentially Private With DP-Weights
von: Zagardo, David
Veröffentlicht: (2024)

Exploiting LLM Quantization
von: Egashira, Kazuki, et al.
Veröffentlicht: (2024)

Blockchain-Enabled Explainable AI for Trusted Healthcare Systems
von: Mohsin, Md Talha
Veröffentlicht: (2025)

Robust Federated Learning with Confidence-Weighted Filtering and GAN-Based Completion under Noisy and Incomplete Data
von: Gokcen, Alpaslan, et al.
Veröffentlicht: (2025)

Prompt2Fingerprint: Plug-and-Play LLM Fingerprinting via Text-to-Weight Generation
von: Chen, Sixu, et al.
Veröffentlicht: (2026)

Optimistic Verifiable Training by Controlling Hardware Nondeterminism
von: Srivastava, Megha, et al.
Veröffentlicht: (2024)

A Unified Framework for LLM Watermarks
von: Gloaguen, Thibaud, et al.
Veröffentlicht: (2026)

Attacks and Defenses Against LLM Fingerprinting
von: Kurian, Kevin, et al.
Veröffentlicht: (2025)

Are Robust LLM Fingerprints Adversarially Robust?
von: Nasery, Anshul, et al.
Veröffentlicht: (2025)

How Not to Detect Prompt Injections with an LLM
von: Choudhary, Sarthak, et al.
Veröffentlicht: (2025)

MPC-Minimized Secure LLM Inference
von: Rathee, Deevashwer, et al.
Veröffentlicht: (2024)

Multi-Continental Healthcare Modelling Using Blockchain-Enabled Federated Learning
von: Sun, Rui, et al.
Veröffentlicht: (2024)

PRO: Enabling Precise and Robust Text Watermark for Open-Source LLMs
von: Xue, Jiaqi, et al.
Veröffentlicht: (2025)

LLM Benchmark Datasets Should Be Contamination-Resistant
von: Al-Lawati, Ali, et al.
Veröffentlicht: (2026)

Reliable Weak-to-Strong Monitoring of LLM Agents
von: Kale, Neil, et al.
Veröffentlicht: (2025)

Mimicking the Familiar: Dynamic Command Generation for Information Theft Attacks in LLM Tool-Learning System
von: Jiang, Ziyou, et al.
Veröffentlicht: (2025)

Evaluating False Alarm and Missing Attacks in CAN IDS
von: Hossain, Nirab, et al.
Veröffentlicht: (2026)

Enhancing Reliability in LLM-Based Secure Code Generation
von: Kharma, Mohammed F., et al.
Veröffentlicht: (2026)

The Autonomy Tax: Defense Training Breaks LLM Agents
von: Li, Shawn, et al.
Veröffentlicht: (2026)

Syntax- and Compilation-Preserving Evasion of LLM Vulnerability Detectors
von: Sun, Luze, et al.
Veröffentlicht: (2026)

GuardReasoner: Towards Reasoning-based LLM Safeguards
von: Liu, Yue, et al.
Veröffentlicht: (2025)

How Catastrophic is Your LLM? Certifying Risk in Conversation
von: Wang, Chengxiao, et al.
Veröffentlicht: (2025)

SHADE-Arena: Evaluating Sabotage and Monitoring in LLM Agents
von: Kutasov, Jonathan, et al.
Veröffentlicht: (2025)

Uncovering Logit Suppression Vulnerabilities in LLM Safety Alignment
von: Li, Yuxi, et al.
Veröffentlicht: (2024)

KnowGraph: Knowledge-Enabled Anomaly Detection via Logical Reasoning on Graph Data
von: Zhou, Andy, et al.
Veröffentlicht: (2024)

HybridGuard: Enhancing Minority-Class Intrusion Detection in Dew-Enabled Edge-of-Things Networks
von: Kara, Binayak, et al.
Veröffentlicht: (2025)

Seed Hijacking of LLM Sampling and Quantum Random Number Defense
von: You, Ziyang, et al.
Veröffentlicht: (2026)

HARP: Measuring Harm Amplification in Multi-Agent LLM Systems
von: Rahman, Md Hafizur, et al.
Veröffentlicht: (2026)

Learning to Watermark LLM-generated Text via Reinforcement Learning
von: Xu, Xiaojun, et al.
Veröffentlicht: (2024)