实体 AttackSHAP

AttackSHAP

PulseAugur coverage of AttackSHAP — every cluster mentioning AttackSHAP across labs, papers, and developer communities, ranked by signal.

总计 · 30天

1

90 天内 1

发布 · 30天

0

90 天内 0

论文 · 30天

1

90 天内 1

层级分布 · 90 天

主题

情绪 · 30 天

1 天有情绪数据

最近 · 第 1/1 页 · 共 1 条

TOOL · CL_154383 · Jul 21 · 04:00

新框架评估越狱攻击以改进LLM安全

研究人员推出A-MESS，一个从防御者角度评估大型语言模型越狱攻击的新框架。该方法侧重于攻击如何有效地通过红队测试和训练来改进模型安全，而不是仅仅关注其破解模型的成功率。A-MESS估算AttackSHAP分数，将边际效用归因于单个攻击，并选择最优子集以改进安全性，证明了这种以防御者为中心的效用与传统的以攻击者为中心的指标只有微弱的对齐关系。