文献データベース

Safer Content or Firmer Refusals? A Hybrid Perturbation Defense for Alignment under Harmful Fine-tuning

Authors: Muhammad Zeeshan Akram, Mufid Kamel Marican, Anvesh Reddy Yenugu, Ali Zain Kaimkhani, Minghong Fang | Published: 2026-09-29
プロンプトリーキング
安全性分析
透かし手法

Does the Unsafe Gradient Survive a Conversation? On the Fragility of Gradient-Based Jailbreak Detection in Multi-Turn Dialogue

Authors: Omar Sheta, Rinku Deuja, Hadi Masoudi, Minghong Fang | Published: 2026-09-29
プロンプトインジェクション
マルチターン攻撃分析
安全性分析

Deep Learning Latency Attacks and Defenses: A Cross-Domain Survey of Availability Threats

Authors: Zonghua Gu, Zeyu Gao, Amin Saremi, Samarjit Chakraborty | Published: 2026-09-29
バックドアモデルの検知
モデル抽出攻撃
攻撃効果の評価

Constitutional adapters: Inference-time interventions for misalignment and misuse

Authors: Adam S. Lowet, Mark Kurzeja | Published: 2026-09-29
プロンプトインジェクション
倫理的配慮
透かし手法

Self-Evolving Defense: Continual Security Policy Learning for LLM Agents

Authors: Minh Nhat Le, Nisarga Gondi, Yibo Peng, Ronghao Ni, Limin Jia, Beidi Chen, Haizhong Zheng | Published: 2026-09-29
プロンプトインジェクション
攻撃効果の評価
防御メカニズム

Divide and Inject: Can Agents Reconstruct an Indirect Prompt Injection from Fragments?

Authors: Michael Lee, Zhipeng Wei, Yue Dong, N. Benjamin Erichson | Published: 2026-09-29
インダイレクトプロンプトインジェクション
再構成攻撃
攻撃モデルの訓練

CounterSteer: Suppressing Indirect Prompt Injection with Activation Steering

Authors: Mark Russinovich | Published: 2026-09-29
インダイレクトプロンプトインジェクション
プロンプトインジェクション攻撃
透かし手法

LLMs Learn to Evade Latent Monitors from Prior Feedback Alone

Authors: Hugo Lyons Keenan, Christopher Leckie, Sarah Erfani | Published: 2026-09-29
プロンプトインジェクション
プロンプトリーキング
モデル編集手法

Guard Models Are Overconfident Where Base Models Are Uncertain

Authors: Jonghyun Hong, MinJae Jung, Minwoo Kim | Published: 2026-09-29
プロンプトインジェクション
安全性分析
敵対的サンプルの検知

FinRT: Distilling Adaptive Red-Teaming Strategies into Reusable Adversarial Generators in Consumer Finance

Authors: Rikhiya Ghosh, Himanshu Kumar, Sriram Venkatapathy, Sahil Wadhwa, Alexandre G. R. Day, Pranab Mohanty | Published: 2026-09-29
プロンプトインジェクション
攻撃効果の評価
金融安全性ポリシー