近 12 个月10 篇
可解释性 1
最近一年的 AI 安全论文
本站共收录 20 篇2026 年 10 月
2026 年 9 月
- 数据归因能过滤掉 subliminal learning 吗？并不可靠
Can Data Attribution Filter Out Subliminal Learning? Not Reliably
2026 年 8 月
- MapRoute++：面向视觉概念遗忘的代理引导语义路由
MapRoute++: Surrogate-Guided Semantic Routing for Visual Concept Unlearning
2026 年 7 月
- OPIUM：通过双目标潜在优化缓解激活转向的外部效应与过度拒答
OPIUM: Mitigating Steering Externalities and Over-Refusal via Dual Objective Latent Optimization
2026 年 5 月
- 内在护栏：人格的语义几何如何与 LLM 的涌现性失配相互作用
Intrinsic Guardrails: How Semantic Geometry of Personality Interacts with Emergent Misalignment in LLMs
2026 年 4 月
- ImplicitBBQ：通过特征线索评测大语言模型的隐性偏见
ImplicitBBQ: Benchmarking Implicit Bias in Large Language Models through Characteristic Based Cues
2026 年 3 月
- 我不敢相信它腐败了：评估多智能体治理系统中的腐败
I Can't Believe It's Corrupt: Evaluating Corruption in Multi-Agent Governance Systems
2026 年 1 月
- Shadow Unlearning：一种在 LLM 中实现保真匿名遗忘的神经语义方法
Shadow Unlearning: A Neuro-Semantic Approach to Fidelity-Preserving Faceless Forgetting in LLMs
2025 年 12 月
- PrivacyBench：评估个性化 AI 隐私的对话式基准
PrivacyBench: A Conversational Benchmark for Evaluating Privacy in Personalized AI
署名以 dblp 和本人的 Google Scholar 为准；只列本站收录的 AI 安全论文。