Last updated
随着基于Transformer的大型语言模型（LLMs）在社会中的广泛应用，理解和解释这些模型内部工作机制的问题变得尤为重要。特别是，在对抗性攻击的背景下，这些模型的脆弱性和局限性暴露无遗。梯度基础的通用对抗性攻击在大型语言模型上显示出高效性，并且由于其输入无关的特性，可能带来潜在的危险。然而，这些攻击背后的机制尚不清楚，这限制了我们对模型安全性的理解和改进。
以往的研究主要集中在对抗性攻击的构建和有效性上，尤其是在自然语言处理（NLP）领域。尽管有一些尝试通过可解释性和可解释性来反向工程神经网络和Transformer模型，但尚未有工作尝试解释大型语言模型上基于梯度的对抗性攻击的底层机制。
本文提出了一种新的几何视角来解释大型语言模型上的通用对抗性攻击。研究者通过攻击117M参数的GPT-2模型，发现通用对抗性触发器可能是近似其对抗性训练区域捕获的语义含义的嵌入向量。研究步骤包括：
提出几何视角作为通用对抗性攻击的潜在解释。
通过降维和隐藏表示的相似性测量来支持发现。
利用这一新视角探索文献中观察到的通用触发器行为的额外潜在解释。
提出了一种新颖的几何视角，用于解释大型语言模型上的通用对抗性攻击。
通过降维和隐藏表示的相似性测量提供了初步的实验证据。
利用这一新视角，为文献中观察到的通用触发器行为提供了额外的潜在解释。
实验部分，研究者采用了UMAP降维技术来展示触发器与对抗性文本之间的相似性，以及与无害文本之间的差异性。通过在不同语义类别的句子组上进行实验，研究者发现触发器、对抗性目标文本和任意种族主义文本在降维空间中紧密聚集在一起，与其他句子组有明显的分离。
实验结果支持了研究者提出的几何解释，即通用对抗性触发器可能确实像向量一样，嵌入了它们训练的对抗性目标文本。这种行为在不同的UMAP超参数值、维度和距离度量下都得到了观察。
本文提出了一种新的几何视角来解释基于梯度的通用对抗性攻击在大型语言模型上的工作原理。通过实验证据，研究者表明这些触发器可能像嵌入向量一样，近似其对抗性训练区域中的语义信息。这一新视角有助于我们更深入地理解LLMs的内部工作机制、失败模式，并为缓解不良后果提供了可能的策略。
本文通过引入几何视角，为理解大型语言模型在对抗性攻击下的脆弱性提供了新的理论基础。通过实验验证了通用对抗性触发器的几何特性，这一发现不仅有助于我们更好地理解模型的内部机制，也为未来的模型安全性研究和实践提供了新的方向。尽管维度降低技术可能提供不完整的视角，但本文的研究成果为对抗性攻击的理解和防御提供了有价值的见解。
