跳到正文

扫描记录

本站收录的每条材料,按收录时间(北京时间)从新到旧,可往回翻 7 天。

11月17日已载入 40 条

  1. 通过全局-局部归因对齐实现可解释联邦学习

    论文arXiv:其他 AI 安全论文你刚才看的这条

  2. LLM 中的弃答方向:查询歧义、知识边界与安全对齐中弃答的机制可解释性

    论文arXiv:其他 AI 安全论文

  3. 拒绝语域可被因果操控:将 Gemma-2-9B-IT 的拒绝方向分解为类别对齐成分

    论文arXiv:其他 AI 安全论文

  4. 证据藏在哪里:度量导出智能体轨迹的隐私与可诊断性

    论文arXiv:其他 AI 安全论文

  5. 省下的时间去了哪里:在 LLM 服务中隐藏跨租户缓存命中的局限

    论文arXiv:其他 AI 安全论文

  6. 用低秩 Fisher 正则化在推理训练中保护安全性

    论文arXiv:其他 AI 安全论文

  7. 你能躲在谁身后?作者条件化文风迁移与对一款商用 AI 文本检测器的规避

    论文arXiv:其他 AI 安全论文

  8. 面向 LLM-as-a-judge 护栏的风险认证提示词优化

    论文arXiv:其他 AI 安全论文

  9. HEAMS:智能体记忆系统的整体评测

    论文arXiv:其他 AI 安全论文

  10. AI 能评判你吗?LLM 辅助招聘系统部署就绪度的实证审计

    论文arXiv:其他 AI 安全论文

  11. "不要让任务未完成":静默监督下持久性驱动的违规

    论文arXiv:其他 AI 安全论文

  12. HalluProbe:利用 VLM 幻觉进行后门检测

    论文arXiv:其他 AI 安全论文

  13. 多模态 LM 衍生模型中 Rank-1 DiM 拒答在何处可干预?

    论文arXiv:其他 AI 安全论文

  14. 面向视觉安全的细粒度 RLAIF:学习放大隐患以实现多模态安全对齐

    论文arXiv:其他 AI 安全论文

  15. 当后门可以被关闭时:视觉-语言-动作模型上的抑制感知后门攻击

    论文arXiv:其他 AI 安全论文

  16. 构建企业AI基础设施:AI治理委员会与首席伦理官角色的演变

    论文arXiv:其他 AI 安全论文

  17. BadGCL:面向图持续学习系统的持久化后门攻击

    论文arXiv:其他 AI 安全论文

  18. 保护系统却让用户陷入困境:多智能体授权的局限

    论文arXiv:其他 AI 安全论文

  19. 超越提示词:编码智能体的运行时契约

    论文arXiv:其他 AI 安全论文

  20. 从事实到人设:基于混合专家的 LLM 可解释角色遗忘

    论文arXiv:其他 AI 安全论文

  21. 通过多准则竞争协同进化加固智能体网络种群:兵棋策略优化的启示

    论文arXiv:其他 AI 安全论文

  22. 面向 LLM 智能体的可审计授权:跨模型、Harness 与工作流层的实证证据

    论文arXiv:其他 AI 安全论文

  23. 冻结护栏探针在底座模型更新下的工作点失效

    论文arXiv:其他 AI 安全论文

  24. 在策略蒸馏作为后门传播渠道

    论文arXiv:其他 AI 安全论文

  25. 一袋概念吗?检验可言语化工作区中的角色填充绑定

    论文arXiv:其他 AI 安全论文

  26. Critic 可能有害:论 LLM 引导的 AutoML 搜索中 critic 的安全性

    论文arXiv:其他 AI 安全论文

  27. Agent-ZTA:多智能体委托中实现双向安全状态传播与运行时遏制的链感知零信任模型

    论文arXiv:其他 AI 安全论文

  28. MemeEconomy:LLM 智能体会用伦理换取生存吗?

    论文arXiv:其他 AI 安全论文

  29. 相同证据,不同判定:CT 图像与 DICOM 元数据的送达方式改变 VLM 质量控制决策

    论文arXiv:其他 AI 安全论文

  30. 面向可认证鲁棒医学图像分类的量子启发正交适配器

    论文arXiv:其他 AI 安全论文

  31. 并非所有步骤都重要:扩散模型概念移除的时间自适应谱控制

    论文arXiv:其他 AI 安全论文

  32. 重新思考机器遗忘的验证

    论文arXiv:其他 AI 安全论文

  33. 当乐于助人的智能体造成经济损失时:在可执行经济世界中评估 LLM 智能体安全性

    论文arXiv:其他 AI 安全论文

  34. NYUAD 参与 ArGuard 共享任务:用于检测阿拉伯语仇恨表情包与不安全提示词的多模态嵌入向量模型

    论文arXiv:其他 AI 安全论文

  35. 以语言风格作为隐藏攻击面越狱 LLM

    论文arXiv:其他 AI 安全论文

  36. ScopeBench:评估 LLM 的文化规范范围感知

    论文arXiv:其他 AI 安全论文

  37. 内源性偏好作为脆弱性信号:发现导致 LLM 效用退化的通用对抗触发词

    论文arXiv:其他 AI 安全论文

  38. mcp-atlassian 修复特定配置下 HTTP 传输未校验 Host 与 Origin 的凭据冒用漏洞

    新闻sooperset/mcp-atlassian事件

  39. mcp-atlassian 0.24.5 并发 Markdown 写入可能混入其他请求内容,0.24.6 修复

    新闻sooperset/mcp-atlassian事件

  40. 我们握有全部卡片:在 Agent2Agent 协议的运行信任边界上保障 Agent Card 安全

    论文arXiv:其他 AI 安全论文