Another 265papers do not have category tags yet and are not included in filtered results.
提出基于决策前隐藏状态的检测与引导，预测并抑制智能体欺骗
Abstract论文展示了智能体自发欺骗可在行为显现前由内部表征预测，并通过激活引导证实了表征的行为可操作性。
分析文本水印在 RAG 中诱发事实幻觉的机制并提出干预
论文研究生产级文本水印对大语言模型事实准确性的影响，分析了水印诱发幻觉的失效模式并评估了针对性缓解方案。
提出条件特征抑制防御，检出对抗补丁后抑制 VLA 内部特征
Abstract条件抑制与 patch 相关的 SAE 特征，间歇攻击下可提高 SR，持续攻击下则不能。
提出 OmniConfess，冻结候选并按通道重打分以缓解全模态幻觉
提出训练无关的 SECRET，对问题表征做源条件转向以缓解音视频模型幻觉
SECRET 是一种训练无关的问题状态转向方法，用来减轻 AVLLM 的 source-confused grounding hallucination。
测量合成审稿训练导致的科学判断坍缩并提出 TrustReviewer 缓解
Abstract一步递归里合成审稿会收窄判断。
提出 GeoSteer，把保范数激活引导做成球面测地线优化
用 Gram 逆校正多价值激活转向，抑制多元对齐的跨维溢出
提出 TRIM，在黑盒推理时定位并净化图像后门区域
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。
提出 SPAR 免训练注意力干预，削弱多模态模型的结构偏置
SPAR 是一种无需训练、直接修改多模态内部注意力的幻觉防御。 作者关注视觉信息被查询不变的注意力偏置稀释，以及误导文本进一步推动模型依赖语言先验的问题。
用 Lee-Valiant 稳健均值缓解 steering 数据集污染
作者研究 contrastive steering 的训练数据被污染后，推理时的行为控制还剩多少，以及稳健均值能否接住。