Tianshuo Cong

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。