深度分析
FedLSG：以大型語言模型強化聯邦圖神經網路後門防禦
聯邦圖神經網路（FedGNN）在分散式訓練中容易遭受後門攻擊，現有防禦多依賴規則式方法，缺乏語意理解，難以抵禦隱蔽觸發器且易傷害正常結構。本研究提出 FedLSG，首個將大型語言模型（LLM）整合至聯邦圖後門防禦的框架。
深度分析
聯邦圖神經網路（FedGNN）在分散式訓練中容易遭受後門攻擊，現有防禦多依賴規則式方法，缺乏語意理解，難以抵禦隱蔽觸發器且易傷害正常結構。本研究提出 FedLSG，首個將大型語言模型（LLM）整合至聯邦圖後門防禦的框架。
深度分析
隨著大型語言模型普及，後門攻擊成為重大威脅。研究提出彎曲指導的模組定位結合低階矩陣修復，只針對關鍵模組去除觸發行為，實驗在Llama‑3.2‑1B‑Instruct上大幅抑制惡意回應且保留正常功能。方法以激活貼補與Fisher/K‑FAC曲率定位高影響模組，再以低秩適配器修復，較CROW表現更佳，預示未來能快速除毒而不損效能。