Another 261papers do not have category tags yet and are not included in filtered results.
提出闭环激活引导，在扩散语言模型去噪过程中注入定向偏见
Abstract通过去噪中间概率反馈动态调节残差流转向，证明扩散语言模型在推理服务栈中存在闭环偏见注入脆弱性。
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 MIRROR，用多路径摘要多数表决保障多智能体通信完整性
MIRROR 是 LLM 多智能体通信层上的多路径法定人数完整性原语，只处理不透明字节，不解释消息内容。要处理的是 Agent-in-the-Middle：中介合法终结 TLS 后可改在途消息，而语义校验有推理开销和误拦，签名又要求私钥管理。做法是生成结束后复制同一规范化载荷。
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 PMA，用流形对齐从 E2EO 混淆向量恢复明文
提出 Agent Flight Recorder，为长时程工具智能体构建链上锚定的防篡改审计追踪
Agent Flight Recorder 把长程工具智能体的动作收成可被第三方独立核验的审计记录，面向运营方本身可能改写历史的争议。
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
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。
比较越狱微调与权重正交化去对齐对有害协助和有用性的影响
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 TFL 定向比特翻转，使选定提示输出虚假答案且无关查询保持正确
TFL 是对 LLM 主存权重的目标比特翻转框架：攻击者要让选定提示输出指定虚假答案关键词，同时限制无关查询上的降质。
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。
为去中心化 LLM 推理网络提出稳健成本感知 PoQ，抵御恶意评估者操纵分数
这篇扩展工作把成本感知 Proof of Quality 的共识层改成能承受恶意评估分数的形式，奖励仍同时看输出质量与延迟成本。
提出 TFA 与 SVA，抑制 ensemble 后门指纹验证
TFA 与 SVA 是针对后门式 LLM 指纹的 ensemble 抑制攻击，不改模型参数。所有者用 SFT 写入秘密对，只通过 API 验证版权。攻击者未授权取得模型，不知道触发和指纹，却要把每个模型的验证变成失败，同时让 ensemble 至少不差于性能最高的单模型。
提出多轮在线骚扰 Agent 基准，评测记忆、规划与微调越狱