Tianshuo Cong

研究によると、更新された言語モデルが敵対的攻撃に対して脆弱性を持っていることが明らかになった。

テスト時の適応法は、攻撃による汚染の脆弱性に直面していて、その効果が疑問視されてるよ。

この研究は、機械生成テキストのウォーターマーク手法と、それに対する除去攻撃に対する効果を調べてるよ。

言語モデルに対する様々な脱獄攻撃とその防御を調べてみて。

研究は、言語モデルのファインチューニングにおけるバックドア攻撃を検出する方法を強調している。

バックドア攻撃がAI駆動の言語モデルの安全性にどんな影響を与えるかを発見しよう。