Another 218papers do not have category tags yet and are not included in filtered results.
提出 UnAct，仅以前向激活干预从分类器中遗忘指定类别
UnAct 是一种事后类别遗忘：删除请求可以只有少量该类图像，且没有标签和保留数据。它不用梯度，只对遗忘图像做前向。编辑对象是分类器所读的后期单元。
提出只训练或篡改多智能体潜在通信链路来提高有害遵从
学习得到的潜在通信链路会改变由冻结、对齐智能体组成的系统是否遵从有害请求。。作者研究三种拓扑：双智能体、三级顺序协作，以及双专家加汇总。
提出 NEEDLE，用权重正交化在已知触发器时去除大模型后门
AbstractNEEDLE 用闭式权重编辑去掉已知触发器的后门，并保住拒绝子空间。
提出基准投毒攻击，使自修改编码 Agent 跨代写出含漏洞代码
Abstract论文报告了恶意基准能污染自修改代码智能体的进化过程并持续输出漏洞，警示系统设计需纳入安全约束。
用 SAE 定位后门触发机制并分离检测与因果控制
作者用稀疏自编码器分解 Gaperon 中无害的语言切换后门，区分识别触发的特征与真正能抑制或诱发该行为的特征。固定触发使英语提示在 Gaperon-1B 与 8B 上续写成法语或德语。
解释后验安全的权重几何脆弱性，并提出预训练持续安全共训练
Abstract论文将后验安全脆弱性归因于正交抑制，并提出通过预训练持续共训练实现具备微调抗性的安全防护。
提出 MROP，在发射端推理时纯化输入以抵御训练投毒后门
MROP 是 deep JSCC 无线图像传输上的推理时输入纯化，对象是矩形补丁后门。
用通用扰动对恶意软件分类器及漂移检测器做规避与后门投毒
Comparing jailbreak fine-tuning and weight orthogonalization unalignment on harmful assistance and usefulness
Mitigating steering dataset contamination with Lee-Valiant robust means
The authors study how much behavioral control remains at inference time when contrastive steering's training data is contaminated, and whether the robust mean can catch it.
提出推理扫描器，在仅有模型文件时检测后门并重构触发词
这是一个只做推理的 sleeper agent 扫描器：在不知触发词和目标行为时，检测因果语言模型里的条件后门并重构触发词。。问题在于，后门只在触发词出现时偏离基线，而开放仓库和网页投毒使检测方通常没有触发词、目标或激活语料。
提出多轮在线骚扰 Agent 基准，评测记忆、规划与微调越狱