**NEEDLE:通过权重正交化实现大模型后门移除**

_Removing the NEEDLE in the Haystack: Backdoor Removal in LLMs via Weight Orthogonalisation_

> 针对大语言模型(LLM)中存在的后门攻击,研究团队提出了一种无需训练的防御方法 NEEDLE。该方法通过激活向量估计后门方向及拒绝子空间,并应用顺序权重正交化技术,在抑制后门行为的同时防止模型拒绝机制发生偏移。实验表明,NEEDLE 在多种模型和攻击类型下均实现了最低的 ASR(攻击成功率),并在保持模型能力与安全性的同时,显著降低了输出分布的 KL 散度。

**来源信息**
- **来源**:HuggingFace Daily Papers(社区热门论文)
- **分类**:论文
- **发布时间**:2026-10-02 08:00(北京时间)
- **原文**:[打开原文](https://huggingface.co/papers/2610.00348)