DualGuard：面向拆分式 LLM 微调的参数空间变换双向防御方法

基于摘要分析。本文研究拆分学习与大语言模型微调（LLM-FT）结合时的数据重建攻击（DRAs）：可信本地客户端与远程服务器协作训练，但传输的激活与梯度可能暴露原始数据。作者提出 DualGuard，通过训练前的客户端参数空间变换及正式微调期间的参数空间保持策略，兼顾隐私保护与任务性能。 机制上，DualGuard 首先在本地预热阶段改变客户端模型参数，并利用多任务学习平衡防御与任务目标；随后在全局微调阶段维持相应参数空间，意在防止模型回到易受攻击的状态。摘要未披露参数变换形式、多任务目标及损失、保持策略的具体约束，也未明确“双向”防御的操作定义。这些实现细节尚未验证。 相较于向激活或梯度添加噪声的防御路线，该方法将干预重点转向参数空间。作者报告，在所评估的多种 DRAs 下，DualGuard 优于现有防御方法，同时维持任务性能；但摘要未提供模型、数据集、攻击配置、隐私指标、任务指标或数值，尚无法判断收益幅度与适用边界。实验协议、消融及统计信息尚未验证，尤其需核对攻击者能力、客户端与服务器划分，以及防御方法是否在可比隐私约束下评估。 作者表示代码将公开，当前材料不能确认已经发布。本文主要对象是拆分式 LLM 微调安全，而非 EEG/BCI；摘要不足以建立其参数变换机制与神经信号解码之间的具体对应关系，因此不据此推断 BCI 有效性。已有 EEG 相关工作尚未检索确认。