ENCORE: Entropy-guided Reward Composition for Multi-head Safety Reward Models
专题命中 偏好对齐 :safety(title,abstract);alignment(abstract);RLHF(abstract);分类 cs.CL
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 偏好对齐 :safety(title,abstract);alignment(abstract);RLHF(abstract);分类 cs.CL
机构 * Gaoling School of Artificial Intelligence, Renmin University of China(中国人民大学人工智能学院) ; Beijing Key Laboratory of Research on Large Models and Intelligent Governance(北京大型模型与智能治理研究重点实验室) ; Engineering Research Center of Next-Generation Intelligent Search and Recommendation, MOE(下一代智能搜索与推荐工程技术研究中心,教育部) ; Kuaishou Technology(快手科技) ; University of Chinese Academy of Sciences(中国科学院大学)
专题命中 偏好对齐 :RLHF(title,abstract);alignment(abstract);分类 cs.AI、cs.LG
Comments Accepted to ACL 2025
机构 * Department of Data Science and AI, Monash University, Australia(墨尔本大学数据科学与人工智能系) ; eBay Inc.(eBay公司)
专题命中 偏好对齐 :alignment(title,abstract);分类 cs.CL
专题命中 偏好对齐 :alignment(abstract);RLHF(abstract);分类 cs.CL、cs.AI、cs.CY
Comments 17 pages, 2 tables, Preprint - under review at AI & Society
机构 * Department of Computer Science(计算机科学系)
专题命中 偏好对齐 :alignment(abstract);DPO(abstract);分类 cs.CL、cs.AI
Comments Accepted at IJCNLP-AACL 2025 Findings
机构 * Google DeepMind(谷歌DeepMind)
专题命中 偏好对齐 :alignment(abstract);分类 cs.CL、cs.AI、cs.LG
专题命中 偏好对齐 :alignment(abstract);分类 cs.CL、cs.AI
Comments 15pages,11figures,AAAI-26
机构 * Shanghai Artificial Intelligence Laboratory(上海人工智能实验室) ; Shanghai Key Laboratory of Data Science, School of Computer Science, Fudan University(上海数据科学关键实验室,计算机科学学院,复旦大学)
专题命中 偏好对齐 :alignment(abstract);分类 cs.AI、cs.LG
专题命中 偏好对齐 :alignment(abstract)
Comments 12 pages, 4 figures
专题命中 安全训练 :alignment(title,abstract);safety(abstract);分类 cs.CL、cs.AI、cs.LG
机构 * UC Santa Cruz(加州大学圣克ruz分校) ; Google(谷歌) ; Lawrence Livermore National Laboratory(劳伦斯利弗莫尔国家实验室)
专题命中 安全训练 :alignment(title,abstract);safety(abstract);分类 cs.CL、cs.AI
机构 * New Jersey Institute of Technology(新泽西理工学院)
专题命中 安全训练 :safety(abstract);分类 cs.LG
专题命中 越狱攻击 :jailbreak(title,abstract);分类 cs.AI
专题命中 越狱攻击 :alignment(abstract);safety(abstract);jailbreak(abstract)
专题命中 越狱攻击 :safety(abstract);jailbreak(abstract)
专题命中 提示注入 :prompt injection(title,abstract);分类 cs.AI
专题命中 提示注入 :alignment(abstract);prompt injection(abstract);分类 cs.AI、cs.LG
Journal ref Explainable Artificial Intelligence (xAI 2025). Communications in Computer and Information Science, vol. 2580, pp. 64-85. Springer, Cham (2026)
机构 * Northeastern University(东北大学) ; Memorial Sloan Kettering Cancer Center(纪念斯隆凯特琳癌症中心)
专题命中 幻觉与事实性 :alignment(abstract);分类 cs.LG
Comments 19 pages, 4 figures. Accepted for publication at the Journal of Machine Learning for Biomedical Imaging (MELBA) https://melba-journal.org/2025:027
Journal ref Machine.Learning.for.Biomedical.Imaging. 3 (2025)
专题命中 幻觉与事实性 :alignment(abstract);分类 cs.AI
Comments Accepted by AAAI 2026
专题命中 隐私与版权 :alignment(title,abstract);safety(title);DPO(abstract);分类 cs.CL
Comments AAAI 2026 Extended Version
机构 * School of Software Technology, Zhejiang University(浙江大学软件学院) ; College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院) ; State Key Laboratory of Mathematical Engineering and Advanced Computing(数学工程与先进计算国家重点实验室) ; Chinese Academy of Engineering(中国工程院) ; College of Cyber Security, Jinan University(暨南大学网络安全学院)
专题命中 隐私与版权 :safety(abstract);分类 cs.AI
Comments 68 pages,9 figures
专题命中 隐私与版权 :trustworthy(abstract);分类 cs.CL
机构 * School of Computer Science and Technology Xi’an Jiaotong University China(西安交通大学计算机科学与技术学院) ; Shanghai AI Laboratory(上海人工智能实验室) ; MOE KLINNS Lab Xi’an Jiaotong University China(西安交通大学教育部KLINNS实验室)
专题命中 安全评测 :safety(title,abstract);alignment(abstract);分类 cs.CL
机构 * Zhejiang University(浙江大学) ; Ant Group(蚂蚁集团) ; ZJU-Ant Group Joint Lab of Knowledge Graph(浙江大学-蚂蚁集团知识图谱联合实验室)
专题命中 安全评测 :alignment(title,abstract);分类 cs.CL
Journal ref EMNLP 2025, pages 7683-7703
机构 * University of Science and Technology of China(中国科学技术大学) ; Suzhou Institute for Advanced Research(苏州先进研究所) ; Stanford University(斯坦福大学) ; iFlytek Co. Ltd.(iFlytek公司) ; The First Affiliated Hospital of USTC, Division of Life Sciences and Medicine, USTC(中国科学技术大学第一附属医院)
专题命中 安全评测 :alignment(title,abstract)
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI、cs.LG
专题命中 安全评测 :safety(abstract);分类 cs.CL、cs.AI
Comments Accepted to AAAI 2026
机构 * University of Illinois at Chicago(伊利诺伊大学香槟分校)
专题命中 安全评测 :alignment(abstract);分类 cs.CL、cs.AI
机构 * GECAD, ISEP, Polytechnic of Porto(GECAD、ISEP、波尔图理工大学)
专题命中 安全评测 :trustworthy(abstract);分类 cs.LG
Comments 16 pages, 12 tables, 1 figure, FPS 2025 conference
专题命中 安全评测 :alignment(abstract);分类 cs.AI