Another 233papers do not have category tags yet and are not included in filtered results.
提出人格层级模型并设计 PPR 抑制奖励作弊的跨上下文泛化
Abstract提出人格层级模型揭示微调跨上下文泛化规律，报告角色距离正相关性，通过 PPR 抑制 RL 作弊。
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 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。
B IAS R EDUCER 只改奖励头，按数据集选择属性编辑。
BIASREDUCER 是一种只改线性奖励头的奖励模型编辑框架，用来降低模型对预定义表面属性的依赖，并按新数据集决定改哪些属性。
提出 AnchorRep，用 LoRA 推离有害提示表征以防御跨模型越狱迁移
提出 AEGIS，用中层内部信号选择性激活后层适配器拦截音频越狱
提出 PALS，用潜空间平滑防御全双工语音对话的对抗扰动
提出 RAPID，离线把抗蒸馏扰动写入文生图解码器
诊断 BatchNorm 架构下机器遗忘评测的归一化伪影
BN illusion 是作者对近似机器遗忘评测中一种 BatchNorm 测量伪影的命名：不改权重、只用 retain 数据重算运行统计，就可以把表面遗忘准确率翻过来。
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 Safin-1，以可路由 Safety State 在冻结主干上实现内在安全
用表征对齐缓解苏格拉底式导师的脚手架崩塌
待补全。
提出 CodeSpear 越狱，借语法约束解码生成恶意代码，并给出 CodeShield 防御
Abstract论文发现语法约束解码会破坏自然语言安全对齐，提出 CodeSpear 越狱攻击与基于蜜罐代码对齐的 CodeShield 防御。
提出 SafeReAct，用 LoRA 重激活后训练模型被掩盖的安全机制
这篇工作针对后训练 LLM 的安全下降，提出表示对齐方法SafeReAct。
提出 Staged Decoding 与指令跟随训练，减少推理轨迹隐私泄露
本文把大推理模型的隐私问题做成轨迹可控性：隐私指令是指令，轨迹不跟随就会把敏感上下文写进可被提示注入导出的文本。