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. 波兰社交媒体厌女言论检测数据集:仇恨言论检测从通用到特定仇恨类型的可迁移性

    论文arXiv:越狱、提示注入、投毒与防御你刚才看的这条

  2. 字里行间:多轮对话中的上下文投资建议检测

    论文arXiv:越狱、提示注入、投毒与防御

  3. 韩国检方就中国籍研究生深度伪造性犯罪案二审求刑三年

    新闻Yonhap事件

  4. 危地马拉启动多方讨论会,共同制定国家人工智能战略

    新闻危地马拉政府新闻资源平台AI 动态

  5. Irene Liu 谈加州为何引领美国前沿 AI 监管:从被否决的 SB 1047 到 SB 53

    新闻The EU AI Act Newsletter治理

  6. 加州州政治中的 AI 安全概览

    新闻LessWrong治理

  7. 网传11月17日全球大停电:被扭曲的事实与伪造视频的混合

    新闻RTVE事件

  8. 英国演员将在与制片方的 AI 保护协议中获得更多数字替身权利

    新闻The Guardian · 人工智能治理

  9. 后门触发词在微调权重中清晰可读

    论文arXiv:对抗攻击、后门与投毒

  10. Conv-Reluplex:一种用于卷积神经网络的验证框架

    论文arXiv:对抗攻击、后门与投毒

  11. 伪造 Bearer 拿下 LiteLLM MCP 会话:OAuth2 passthrough 认证绕过复现与分析

    新闻先知社区事件

  12. 北约 AI 网络防御每月用量至多 300B OpenAI token

    新闻Help Net Security AI事件

  13. Google 发现 AI 智能体在无人工参与下编写并发起漏洞利用

    新闻Help Net Security AI事件

  14. CuRSE-Bench:探测文生图安全评估中文化盲区的基准

    论文arXiv:危险能力与安全评测

  15. 在严谨与现实之间:AI 安全基准开发者如何理解基准的使用与维护

    论文arXiv:对齐、欺骗与监督

  16. 通过数据投毒操纵贝叶斯推断与决策

    论文arXiv:其他 AI 安全论文

  17. 鲁棒性作为可迁移技能:面向视觉-语言-动作策略的跨任务对抗防御

    论文arXiv:其他 AI 安全论文

  18. 溯源与隐私的悖论:Private Cloud Compute(PCC)能否证明 Apple Reference Image 不被用于学习?

    论文arXiv:其他 AI 安全论文

  19. 当工具名不等于身份:测量基于 MCP 的 AI 智能体中的提供方误绑定

    论文arXiv:其他 AI 安全论文

  20. 乐观验证器会被钻空子:精确过程预言机下的奖励作弊

    论文arXiv:其他 AI 安全论文

  21. 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

  22. 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

  23. 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

  24. 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

  25. 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

  26. 面向 LLM 裁判的紧致 PAC-Bayes 泛化保证

    论文arXiv:其他 AI 安全论文

  27. 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

  28. 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

  29. 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

  30. 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

  31. 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

  32. 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

  33. 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

  34. 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

  35. 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

  36. 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

  37. 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

  38. 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

  39. 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

  40. 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