研究人员开发了一种名为标签伪装防御(LDD)的防御机制,以缓解用于情感分类的大型语言模型(LLM)中的提示注入攻击。LDD通过用替代对(例如“好/坏”或“猫/狗”)替换标准的正/负标签,然后将模型的预测映射回原始情感类别来工作。虽然LDD在某些配置中显示出比基线标签更好的性能,但在所有测试的模型和标签对中并未观察到一致的优势。 AI
影响 引入了一种新颖的防御策略来对抗提示注入,有可能提高LLM在敏感分类任务中的鲁棒性。
排序理由 学术论文,详细介绍了对抗提示注入攻击的新防御机制。[lever_c_demoted from research: ic=1 ai=1.0]
- arXiv
- Hugging Face
- IMDb
- Label Disguise Defense
- Large Language Models
- prompt injection
- Sentiment Classification
- Yanxi Li
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →