How Alignment and Jailbreak Work: Explain LLM Safety through Intermediate Hidden States Authors: Zhenhong Zhou, Haiyang Yu, Xinghua Zhang, Rongwu Xu, Fei Huang, Yongbin Li | Published: 2024-06-09 | Updated: 2024-06-13 LLMセキュリティプロンプトインジェクション倫理的ガイドライン遵守 2024.06.09 2025.04.03 文献データベース
Adversarial Tuning: Defending Against Jailbreak Attacks for LLMs Authors: Fan Liu, Zhao Xu, Hao Liu | Published: 2024-06-07 LLMセキュリティプロンプトインジェクション敵対的訓練 2024.06.07 2025.04.03 文献データベース
GENIE: Watermarking Graph Neural Networks for Link Prediction Authors: Venkata Sai Pranav Bachina, Ankit Gangwal, Aaryan Ajay Sharma, Charu Sharma | Published: 2024-06-07 | Updated: 2025-01-12 ウォーターマーキングプロンプトインジェクション透かしの耐久性 2024.06.07 2025.04.03 文献データベース
AutoJailbreak: Exploring Jailbreak Attacks and Defenses through a Dependency Lens Authors: Lin Lu, Hai Yan, Zenghui Yuan, Jiawen Shi, Wenqi Wei, Pin-Yu Chen, Pan Zhou | Published: 2024-06-06 LLM性能評価プロンプトインジェクション防御手法 2024.06.06 2025.04.03 文献データベース
BadAgent: Inserting and Activating Backdoor Attacks in LLM Agents Authors: Yifei Wang, Dizhan Xue, Shengjie Zhang, Shengsheng Qian | Published: 2024-06-05 LLMセキュリティバックドア攻撃プロンプトインジェクション 2024.06.05 2025.04.03 文献データベース
Safeguarding Large Language Models: A Survey Authors: Yi Dong, Ronghui Mu, Yanghao Zhang, Siqi Sun, Tianle Zhang, Changshun Wu, Gaojie Jin, Yi Qi, Jinwei Hu, Jie Meng, Saddek Bensalem, Xiaowei Huang | Published: 2024-06-03 LLMセキュリティガードレール手法プロンプトインジェクション 2024.06.03 2025.04.03 文献データベース
Decoupled Alignment for Robust Plug-and-Play Adaptation Authors: Haozheng Luo, Jiahao Yu, Wenxin Zhang, Jialong Li, Jerry Yao-Chieh Hu, Xinyu Xing, Han Liu | Published: 2024-06-03 | Updated: 2024-06-06 LLM性能評価プロンプトインジェクションモデル性能評価 2024.06.03 2025.04.03 文献データベース
BELLS: A Framework Towards Future Proof Benchmarks for the Evaluation of LLM Safeguards Authors: Diego Dorn, Alexandre Variengien, Charbel-Raphaël Segerie, Vincent Corruble | Published: 2024-06-03 LLMセキュリティコンテンツモデレーションプロンプトインジェクション 2024.06.03 2025.04.03 文献データベース
Exploring Vulnerabilities and Protections in Large Language Models: A Survey Authors: Frank Weizhen Liu, Chenhui Hu | Published: 2024-06-01 LLMセキュリティプロンプトインジェクション防御手法 2024.06.01 2025.04.03 文献データベース
Improved Techniques for Optimization-Based Jailbreaking on Large Language Models Authors: Xiaojun Jia, Tianyu Pang, Chao Du, Yihao Huang, Jindong Gu, Yang Liu, Xiaochun Cao, Min Lin | Published: 2024-05-31 | Updated: 2024-06-05 LLMセキュリティウォーターマーキングプロンプトインジェクション 2024.05.31 2025.04.03 文献データベース