扫描记录
11月17日已载入 40 条
- 安全相似,静默传播:文本相似度护栏在 AI 智能体安全上的局限
论文arXiv:其他 AI 安全论文你刚才看的这条
- 评估智能体编排框架中的授权与信任边界
论文arXiv:其他 AI 安全论文
- Jev-as-a-Reward:验证用于强化学习的概率安全裁判
论文arXiv:其他 AI 安全论文
- 经验腐化:有经验的智能体在新手成功之处失败
论文arXiv:其他 AI 安全论文
- 哪些 AI 用例值得试点?一个用于资助、界定范围与扩展 AI 的风险与价值框架
论文arXiv:其他 AI 安全论文
- 面向 LLM 裁判的紧致 PAC-Bayes 泛化保证
论文arXiv:其他 AI 安全论文
- STA:一种用于评估多模态强化学习驾驶策略鲁棒性的分裂式时间对抗方法
论文arXiv:其他 AI 安全论文
- LEAF-OPD:通过 on-policy 蒸馏从特权上下文学习遗忘
论文arXiv:其他 AI 安全论文
- 越权由谁承担?将 AI 智能体的行为归属于委托方
论文arXiv:其他 AI 安全论文
- 基于双层数据选择的医疗 LLM 安全保持微调
论文arXiv:其他 AI 安全论文
- 面向邻接保持身份遗忘的反事实特征引导
论文arXiv:其他 AI 安全论文
- 基于示例的空间引导:扩散模型中的免训练概念擦除
论文arXiv:其他 AI 安全论文
- GPromptShield:提升图提示词调优在对抗攻击下的韧性
论文arXiv:其他 AI 安全论文
- SmoothShift:在测试时破坏针对 LVLM 的视觉对抗攻击
论文arXiv:其他 AI 安全论文
- 模型免疫不止于条件数:平台区域的重要性
论文arXiv:其他 AI 安全论文
- 设计能成功规避审计的欺骗性模式生物
论文arXiv:其他 AI 安全论文
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- HEAMS:智能体记忆系统的整体评测
论文arXiv:其他 AI 安全论文
- 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
- "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
- HalluProbe:利用 VLM 幻觉进行后门检测
论文arXiv:其他 AI 安全论文
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 在策略蒸馏作为后门传播渠道
论文arXiv:其他 AI 安全论文