跳到正文
10月9日 · 周五

全部论文

找到 1 篇
筛选5

攻击类型

投毒与后门4模型篡改1提取与窃取1检测规避1

模型自身风险

拒答失当1

防御类型

模型加固1

影响

有害内容1

系统形态

模型与 API1

攻击面/入口

用户输入1记忆写入0训练数据1权重与梯度7分发渠道1推理服务与硬件1

层

模型层1训练与数据层8基础设施层0

系统组件

微调与开源权重1
同一类里任选其一，不同类之间同时满足；数字是加上其他已选条件后的篇数。另有 429 篇还没打标签，不在筛选结果里。
攻击类型：模型篡改攻击面/入口：记忆写入攻击面/入口：训练数据层：模型层层：基础设施层清除全部

另有 429 篇论文还没打上分类标签，暂不在筛选结果里。

  1. 可解释性arXiv 2609.06934

    论文提出拒答的几何解释：事后安全训练脆弱，预训练期持续安全共训更抗攻击

    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

    arXiv
    2609.06934
    发表
    层
    模型层
    场景
    模型与 API

    摘要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。

    深度解读完整解读
已经到底了