最近并非最亲：面向量化条件后门攻击的实用防御

模型量化被广泛用于压缩和加速深度神经网络。然而，近期研究揭示了通过植入量化条件后门（QCB）来武器化模型量化的可行性。这些特殊后门在发布的完整精度模型上保持休眠，但在标准量化后生效。由于QCB的特殊性，现有防御在降低其威胁方面效果甚微，甚至不可行。本文首次对QCB进行深入分析。我们揭示，现有QCB的激活主要源于最近舍入操作，并与神经元级截断误差（即连续全精度权重与其量化版本之间的差异）的范数密切相关。基于这些见解，我们提出误差引导翻转舍入与激活保持（EFRAP），一种有效且实用的QCB防御方法。具体而言，EFRAP学习一种非最近舍入策略，结合神经元级误差范数和层级激活保持指导，翻转对后门效果关键但对干净精度影响最小的神经元的舍入策略。在基准数据集上的广泛评估表明，我们的EFRAP能够在各种设置下击败最先进的QCB攻击。代码见https://github.com/AntigoneRandy/QuantBackdoor_EFRAP。