一份新的技术报告介绍了一种防御大型语言模型(LLM)在推理层免受对抗性攻击的方法。研究人员开发了一个结构因果模型来生成用户会话的真实数据集,然后使用该数据集训练了一个梯度提升检测器。该检测器的目标是将会话分类为良性或恶意,并识别特定的攻击类型,尽管其性能在是否使用Oracle标签或操作标签方面存在显著差异。 AI
影响 引入了一个新颖的LLM推理层安全数据集和检测器,有可能改进对对抗性攻击的防御。
排序理由 该集群包含一篇在arXiv上发表的研究论文,详细介绍了一种新的LLM安全方法。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- Connected Papers
- DagsHub
- Five Elements Inc.
- Gotit.pub
- Hugging Face
- Litmaps
- ScienceCast
- scite Smart Citations
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →