Another 255papers do not have category tags yet and are not included in filtered results.
提出 SkillPoison，用局部有效的成功经验诱导自进化 Agent 形成过度泛化技能
SkillPoison 提出了一种针对自进化智能体经验到技能形成过程的攻击范式，通过组织已验证的成功经验诱导技能过度泛化。
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。
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。
提出依赖引导回滚修复，恢复记忆增强 Agent 的回答与状态
提出 MAFIA，以探测放置与事实伪装对带审计 Agent 做查询式记忆投毒
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
复现 AgentCF 上的多智能体攻防并刻画连通性作用
作者在 AgentCF 上研究连通性如何改变多智能体协同过滤的攻防，复现已有方法而不是提出新载荷。
Proposing MemSecBench to evaluate agent memory poisoning and selective repair
Proposes LAAF, which automatically attacks LPCI vulnerabilities in agent systems in stages
The authors state that LAAF is an automated red-teaming framework built specifically for LPCI in agentic LLMs. The issue to address is that encoded, delayed, and conditionally triggered payloads can persist in memory or RAG and re-enter across sessions, whereas Garak and PyRIT do not use the previous round's breakthrough results to seed the next stage across the six stages.
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。
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 BPA 改写 profile 与记忆，重新诱发智能体对人类的外群体偏向
作者考察 LLM 智能体在任意群体边界下会不会把人类当外群体，并用信念投毒检验面向人类的抑制是否依赖身份信念。