Assessing the Brittleness of Safety Alignment via Pruning and Low-Rank Modifications
Fuente:
arXiv
Salvato in:
| Autori principali: | Wei, Boyi, Huang, Kaixuan, Huang, Yangsibo, Xie, Tinghao, Qi, Xiangyu, Xia, Mengzhou, Mittal, Prateek, Wang, Mengdi, Henderson, Peter |
|---|---|
| Natura: | Preprint |
| Pubblicazione: |
2024
|
| Soggetti: | |
| Accesso online: | |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Documenti analoghi
On Evaluating the Durability of Safeguards for Open-Weight LLMs
di: Qi, Xiangyu, et al.
Pubblicazione: (2024)
di: Qi, Xiangyu, et al.
Pubblicazione: (2024)
SORRY-Bench: Systematically Evaluating Large Language Model Safety Refusal
di: Xie, Tinghao, et al.
Pubblicazione: (2024)
di: Xie, Tinghao, et al.
Pubblicazione: (2024)
An Adversarial Perspective on Machine Unlearning for AI Safety
di: Łucki, Jakub, et al.
Pubblicazione: (2024)
di: Łucki, Jakub, et al.
Pubblicazione: (2024)
AI Risk Management Should Incorporate Both Safety and Security
di: Qi, Xiangyu, et al.
Pubblicazione: (2024)
di: Qi, Xiangyu, et al.
Pubblicazione: (2024)
Safety Alignment Should Be Made More Than Just a Few Tokens Deep
di: Qi, Xiangyu, et al.
Pubblicazione: (2024)
di: Qi, Xiangyu, et al.
Pubblicazione: (2024)
What is in Your Safe Data? Identifying Benign Data that Breaks Safety
di: He, Luxi, et al.
Pubblicazione: (2024)
di: He, Luxi, et al.
Pubblicazione: (2024)
Fantastic Copyrighted Beasts and How (Not) to Generate Them
di: He, Luxi, et al.
Pubblicazione: (2024)
di: He, Luxi, et al.
Pubblicazione: (2024)
Evaluating Copyright Takedown Methods for Language Models
di: Wei, Boyi, et al.
Pubblicazione: (2024)
di: Wei, Boyi, et al.
Pubblicazione: (2024)
SpecDec++: Boosting Speculative Decoding via Adaptive Candidate Lengths
di: Huang, Kaixuan, et al.
Pubblicazione: (2024)
di: Huang, Kaixuan, et al.
Pubblicazione: (2024)
The Model Hears You: Audio Language Model Deployments Should Consider the Principle of Least Privilege
di: He, Luxi, et al.
Pubblicazione: (2025)
di: He, Luxi, et al.
Pubblicazione: (2025)
Averaging quadratically twisted $L$-values and their derivatives
di: Huang, Tinghao
Pubblicazione: (2025)
di: Huang, Tinghao
Pubblicazione: (2025)
Sheared LLaMA: Accelerating Language Model Pre-training via Structured Pruning
di: Xia, Mengzhou, et al.
Pubblicazione: (2023)
di: Xia, Mengzhou, et al.
Pubblicazione: (2023)
Detecting Pretraining Data from Large Language Models
di: Shi, Weijia, et al.
Pubblicazione: (2023)
di: Shi, Weijia, et al.
Pubblicazione: (2023)
On Ramanujan Primes for Hecke-Maass Cusp Forms
di: Huang, Tinghao, et al.
Pubblicazione: (2026)
di: Huang, Tinghao, et al.
Pubblicazione: (2026)
Interpretable Safety Alignment via SAE-Constructed Low-Rank Subspace Adaptation
di: Wang, Dianyun, et al.
Pubblicazione: (2025)
di: Wang, Dianyun, et al.
Pubblicazione: (2025)
A Theoretical Perspective for Speculative Decoding Algorithm
di: Yin, Ming, et al.
Pubblicazione: (2024)
di: Yin, Ming, et al.
Pubblicazione: (2024)
Adaptive and Stratified Subsampling for High-Dimensional Robust Estimation
di: Mittal, Prateek, et al.
Pubblicazione: (2024)
di: Mittal, Prateek, et al.
Pubblicazione: (2024)
Lottery Ticket Adaptation: Mitigating Destructive Interference in LLMs
di: Panda, Ashwinee, et al.
Pubblicazione: (2024)
di: Panda, Ashwinee, et al.
Pubblicazione: (2024)
SaLoRA: Safety-Alignment Preserved Low-Rank Adaptation
di: Li, Mingjie, et al.
Pubblicazione: (2025)
di: Li, Mingjie, et al.
Pubblicazione: (2025)
A Shear‐Deformable Extended Quasi‐Bond Method With Dual‐Mechanism Fracture Criterion for Brittle and Quasi‐Brittle Materials
di: Wei‐Tong Li, et al.
Pubblicazione: (2025)
di: Wei‐Tong Li, et al.
Pubblicazione: (2025)
Jointly Training and Pruning CNNs via Learnable Agent Guidance and Alignment
di: Ganjdanesh, Alireza, et al.
Pubblicazione: (2024)
di: Ganjdanesh, Alireza, et al.
Pubblicazione: (2024)
LSSF: Safety Alignment for Large Language Models through Low-Rank Safety Subspace Fusion
di: Zhou, Guanghao, et al.
Pubblicazione: (2026)
di: Zhou, Guanghao, et al.
Pubblicazione: (2026)
PRILoRA: Pruned and Rank-Increasing Low-Rank Adaptation
di: Benedek, Nadav, et al.
Pubblicazione: (2024)
di: Benedek, Nadav, et al.
Pubblicazione: (2024)
Think in Safety: Unveiling and Mitigating Safety Alignment Collapse in Multimodal Large Reasoning Model
di: Lou, Xinyue, et al.
Pubblicazione: (2025)
di: Lou, Xinyue, et al.
Pubblicazione: (2025)
Advancing LLM Safe Alignment with Safety Representation Ranking
di: Du, Tianqi, et al.
Pubblicazione: (2025)
di: Du, Tianqi, et al.
Pubblicazione: (2025)
Diffusion Model for Manifold Data: Score Decomposition, Curvature, and Statistical Complexity
di: Zhang, Zixuan, et al.
Pubblicazione: (2026)
di: Zhang, Zixuan, et al.
Pubblicazione: (2026)
Pruning Long Chain-of-Thought of Large Reasoning Models via Small-Scale Preference Optimization
di: Hong, Bin, et al.
Pubblicazione: (2025)
di: Hong, Bin, et al.
Pubblicazione: (2025)
Immune: Improving Safety Against Jailbreaks in Multi-modal LLMs via Inference-Time Alignment
di: Ghosal, Soumya Suvra, et al.
Pubblicazione: (2024)
di: Ghosal, Soumya Suvra, et al.
Pubblicazione: (2024)
When Context Flips, Safety Breaks: Diagnosing Brittle Safety in Aligned Language Models
di: Choi, Dasol, et al.
Pubblicazione: (2026)
di: Choi, Dasol, et al.
Pubblicazione: (2026)
Safe Pruning LoRA: Robust Distance-Guided Pruning for Safety Alignment in Adaptation of LLMs
di: Ao, Shuang, et al.
Pubblicazione: (2025)
di: Ao, Shuang, et al.
Pubblicazione: (2025)
PatchDEMUX: A Certifiably Robust Framework for Multi-label Classifiers Against Adversarial Patches
di: Jacob, Dennis, et al.
Pubblicazione: (2025)
di: Jacob, Dennis, et al.
Pubblicazione: (2025)
Beyond Images: Adaptive Fusion of Visual and Textual Data for Food Classification
di: Mittal, Prateek, et al.
Pubblicazione: (2023)
di: Mittal, Prateek, et al.
Pubblicazione: (2023)
Efficient Data Shapley for Weighted Nearest Neighbor Algorithms
di: Wang, Jiachen T., et al.
Pubblicazione: (2024)
di: Wang, Jiachen T., et al.
Pubblicazione: (2024)
Enhancing Stability and Safety of Commercial Solid‐State Lithium Batteries Through Ternary Eutectic Solvents for Solid‐State Electrolyte Interface Modification
di: Kaixuan Zhou, et al.
Pubblicazione: (2024)
di: Kaixuan Zhou, et al.
Pubblicazione: (2024)
Data Pruning by Information Maximization
di: Tan, Haoru, et al.
Pubblicazione: (2025)
di: Tan, Haoru, et al.
Pubblicazione: (2025)
Latent Diffusion Models for Controllable RNA Sequence Generation
di: Huang, Kaixuan, et al.
Pubblicazione: (2024)
di: Huang, Kaixuan, et al.
Pubblicazione: (2024)
Emergent Symbolic Mechanisms Support Abstract Reasoning in Large Language Models
di: Yang, Yukang, et al.
Pubblicazione: (2025)
di: Yang, Yukang, et al.
Pubblicazione: (2025)
Embarrassment and the Social Dimensions of Moral Agency
di: Shawn Tinghao Wang
Pubblicazione: (2026)
di: Shawn Tinghao Wang
Pubblicazione: (2026)
The finite cohesiveness principle
di: Sun, Mengzhou
Pubblicazione: (2025)
di: Sun, Mengzhou
Pubblicazione: (2025)
The Kaufmann--Clote question on end extensions of models of arithmetic and the weak regularity principle
di: Sun, Mengzhou
Pubblicazione: (2024)
di: Sun, Mengzhou
Pubblicazione: (2024)
Documenti analoghi
-
On Evaluating the Durability of Safeguards for Open-Weight LLMs
di: Qi, Xiangyu, et al.
Pubblicazione: (2024) -
SORRY-Bench: Systematically Evaluating Large Language Model Safety Refusal
di: Xie, Tinghao, et al.
Pubblicazione: (2024) -
An Adversarial Perspective on Machine Unlearning for AI Safety
di: Łucki, Jakub, et al.
Pubblicazione: (2024) -
AI Risk Management Should Incorporate Both Safety and Security
di: Qi, Xiangyu, et al.
Pubblicazione: (2024) -
Safety Alignment Should Be Made More Than Just a Few Tokens Deep
di: Qi, Xiangyu, et al.
Pubblicazione: (2024)