GradShield：保持对齐的微调

论文提出 GradShield，一种在微调前识别并移除有害数据点的过滤方法，用于降低模型微调后的安全对齐退化。该方法为每个数据点计算微调隐式有害性分数（FIHS），并使用自适应阈值算法筛选数据。作者在多个效用微调任务和不同有害数据水平下评估，报告 GradShield 优于所有基线方法，攻击成功率保持在 6% 以下，同时维持效用表现。