另有 516 篇论文还没打上分类标签，暂不在筛选结果里。
提出零知识审计协议，核验多租户 RAG 的合谋差分隐私
论文针对多租户 RAG 服务在多账户协同攻击下隐私边界失效的问题展开研究。
提出流匹配逆向框架，从多向量视觉文档索引重构页面
构建统一滥用监视基准，评测分解攻击与提示注入轨迹
摘要统一智能体滥用监视框架，动作视角兼顾两类威胁但危害定位仍存瓶颈。
提出 imMRAG 攻击，从多模态 RAG 私有图像库提取内容
提出 DART，用去噪表征转移检测多轮智能体攻击并注入提醒
提出 MOMAT 多图集检索与轻量判定，防御量化模型越狱
在写入点定位拒答方向，经刚性旋转跨架构迁移并门控放大
作者研究拒答表示是否随架构改变，结论是表示共享、读取位置随架构变。
提出 HERALD，用跨层有害投影轨迹检测越狱提示
摘要HPD 用跨层投影形状区分有害与良性提示。
提出 PMA，用流形对齐从 E2EO 混淆向量恢复明文
提出局部稀疏无监督安全检测，标记偏离安全分布的输入
提出 LeakGauge，用行为后缀的 prefill 对数概率检测上下文泄露
提出 CIG-MIA，用上下文信息增益推断 RAG 知识库成员身份
CIG-MIA 是针对 RAG 外部知识库的成员推断攻击，同时覆盖灰盒和纯文本黑盒。
用能量势垒信号检测扩散语言模型的越狱
Bach 等提出用去噪能量景观解释 masked diffusion 语言模型上的越狱，并由此得到三个免训练检测信号。。
提出免训练框架 SED，把智能体有害轨迹蒸馏成可检索安全策略