MEReQ: Max-Ent Residual-Q Inverse RL for Sample-Efficient Alignment from Intervention
专题命中 安全训练 :alignment(title,abstract);分类 cs.AI、cs.LG
AI 大模型
大模型对齐、安全、越狱、红队、提示注入和可信评测。
专题命中 安全训练 :alignment(title,abstract);分类 cs.AI、cs.LG
机构 * Department of Computer Science University of York(计算机科学系约克大学)
专题命中 安全训练 :safety(title,abstract);分类 cs.AI
专题命中 安全训练 :alignment(abstract);safety(abstract);jailbreak(abstract);分类 cs.AI
Journal ref 39th Conference on Neural Information Processing Systems (NeurIPS 2025). 39th Conference on Neural Information Processing Systems (NeurIPS 2025). 39th Conference on Neural Information Processing Systems (NeurIPS 2025)
机构 * EPFL(苏黎世联邦理工学院) ; Idiap(日内瓦智能感知研究院)
专题命中 安全训练 :alignment(abstract);分类 cs.AI、cs.LG
Comments Extended version of ICMLw25 Oral
机构 * Mercedes-Benz AG, Research & Development(梅赛德斯-奔驰集团,研发部) ; Karlsruhe Institute of Technology, ITIV(卡尔斯鲁厄理工学院,ITIV) ; University of Tübingen(图宾根大学)
专题命中 安全训练 :safety(abstract);分类 cs.AI、cs.LG
Comments Accepted to IEEE ITSC 2025