Bachelor-/Masterarbeit: Aushebeln von Alignment durch eingeschleuste PEFT-Adapter

Hintergrund und Motivation Parametereffiziente Finetuning-Adapter (PEFT-Adapter) sind ein hervorragendes Werkzeug, um mit wenigen Parametern neue Fähigkeiten in LLMs einzubringen. Durch ihre reduzierte Kapazität sind Adapter leichtgewichtig und daher schnell zu trainieren und zu verteilen, erzielen aber dennoch eine vergleichbare Performance wie ein vollständiges Finetuning. Mit Verfahren der Mechanistic Interpretability lassen sich gezielt Parameter in LLMs ausmachen, die für bestimmte Fähigkeiten des Netzes zuständig sind, beispielsweise für das Alignment. Ziel der Arbeit ist es, diese Sicherheitsparameter mit PEFT-Adaptern im finalen Modell gezielt zu deaktivieren und so das Alignment auszuhebeln. Ziel Das Problem ist, dass sich durch die geringere Kapazität der Adapter Parameter nicht mehr gezielt maskieren lassen. Ziel ist es daher, die Adapter so zu beeinflussen, dass trotzdem ein Großteil der Sicherheitsneuronen verändert und das Alignment dadurch effektiv umgangen wird. Ergebnisse Angestrebtes Ergebnis der Arbeit ist ein Vergleich der Effektivität von Adaptern mit verschiedenen Kapazitäten und Verfahren. Neben einem Proof of Concept soll dabei auch untersucht werden, welche Adapterkonfiguration am anfälligsten für einen solchen Angriff ist. Hinweis Für eine Bachelorarbeit kann der Umfang reduziert werden, indem nur LoRA-Adapter betrachtet werden.