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 2026.09.29 文献データベース
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 2026.09.29 文献データベース
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 2026.09.29 文献データベース
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 2026.09.29 文献データベース
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 2026.09.29 文献データベース
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 2026.09.29 文献データベース
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 2026.09.29 文献データベース
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 2026.09.29 文献データベース
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 2026.09.29 文献データベース
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 2026.09.29 文献データベース