English(EN) Safety Alignment via Constrained Knowledge Unlearning

新方法在保留效用的同时，针对大型语言模型中的有害知识

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-19 04:00

研究人员推出了一种名为约束知识遗忘（CKU）的新策略，以提高大型语言模型（LLMs）的安全对齐。CKU旨在通过识别和选择性地修剪与有用知识相关的神经元，来移除有害知识并保留有价值的信息。实验表明，CKU在不牺牲性能的情况下提高了模型安全性，提供了比现有方法更好的安全性和效用之间的权衡。该研究还深入探讨了大型语言模型中的安全对齐和知识编辑的工作原理。 AI

影响提供了一种新颖的方法，可以在不影响性能的情况下，减轻大型语言模型中的越狱攻击和有害输出。

排序理由学术论文，详细介绍了一种用于大型语言模型安全对齐的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

本文如何被排名

Signal score: 11 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 学术论文，详细介绍了一种用于大型语言模型安全对齐的新方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Same-day; Cluster formed today. Ranking reflects the current source set at time of score.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Zesheng Shi, Yucheng Zhou, Jing Li · 2026-10-19 04:00

通过约束知识遗忘实现安全对齐

arXiv:2505.18588v2 Announce Type: replace-cross Abstract: Despite significant progress in safety alignment, large language models (LLMs) remain susceptible to jailbreak attacks. Existing defense mechanisms have not fully deleted harmful knowledge in LLMs, which allows such attack…

本文如何被排名

报道来源 [1]

通过约束知识遗忘实现安全对齐

相关实体

相关话题