Interpretable LLM Guardrails via Sparse Representation Steering
机构 * The State Key Laboratory of Blockchain and Data Security, Zhejiang University, China（区块链与数据安全国家重点实验室，浙江大学，中国） ； School of Cyber Science and Technology, Zhejiang University, China（网络安全与技术学院，浙江大学，中国） ； College of Computer and Information Sciences, Fujian Agriculture and Forestry University, China（计算机与信息科学学院，福建农林大学，中国）
专题命中 AI治理与伦理 ：alignment(abstract)；safety(abstract)；分类 cs.CL
