Buchumschlag

DESTEIN: Navigating Detoxification of Language Models via Universal Steering Pairs and Head-wise Activation Fusion

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Yu, Jiang, Han, Gong, Chuanyang, Wei, Zhihua
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Computation and Language Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

CausalDetox: Causal Head Selection and Intervention for Language Model Detoxification
von: Wang, Yian, et al.
Veröffentlicht: (2026)

Detoxification of Large Language Models through Output-layer Fusion with a Calibration Model
von: Tian, Yuanhe, et al.
Veröffentlicht: (2025)

Fusion Steering: Prompt-Specific Activation Control
von: Chang, Waldemar, et al.
Veröffentlicht: (2025)

Towards Inference-time Category-wise Safety Steering for Large Language Models
von: Bhattacharjee, Amrita, et al.
Veröffentlicht: (2024)

Activation Scaling for Steering and Interpreting Language Models
von: Stoehr, Niklas, et al.
Veröffentlicht: (2024)

Cross-Lingual Activation Steering for Multilingual Language Models
von: Pokharel, Rhitabrat, et al.
Veröffentlicht: (2026)

Cleansing the Artificial Mind: A Self-Reflective Detoxification Framework for Large Language Models
von: Zhang, Kaituo, et al.
Veröffentlicht: (2026)

Prompt-Activation Duality: Improving Activation Steering via Attention-Level Interventions
von: Kang, Diancheng, et al.
Veröffentlicht: (2026)

SGM: Safety Glasses for Multimodal Large Language Models via Neuron-Level Detoxification
von: Wang, Hongbo, et al.
Veröffentlicht: (2025)

Raising the Bar: Investigating the Values of Large Language Models via Generative Evolving Testing
von: Jiang, Han, et al.
Veröffentlicht: (2024)

ASRU: Activation Steering Meets Reinforcement Unlearning for Multimodal Large Language Models
von: Guang, Jiahui, et al.
Veröffentlicht: (2026)

Endogenous Resistance to Activation Steering in Language Models
von: McKenzie, Alex, et al.
Veröffentlicht: (2026)

Breaking Bad Molecules: Are MLLMs Ready for Structure-Level Molecular Detoxification?
von: Lin, Fei, et al.
Veröffentlicht: (2025)

Word Embeddings Are Steers for Language Models
von: Han, Chi, et al.
Veröffentlicht: (2023)

Steering When Necessary: Flexible Steering Large Language Models with Backtracking
von: Cheng, Zifeng, et al.
Veröffentlicht: (2025)

Steering Awareness: Detecting Activation Steering from Within
von: Rivera, Joshua Fonseca, et al.
Veröffentlicht: (2025)

CogSteer: Cognition-Inspired Selective Layer Intervention for Efficiently Steering Large Language Models
von: Wang, Xintong, et al.
Veröffentlicht: (2024)

Mitigating Content Effects on Reasoning in Language Models through Fine-Grained Activation Steering
von: Valentino, Marco, et al.
Veröffentlicht: (2025)

DLM-SWAI: Steering Diffusion Language Models Before They Unmask
von: An, Hyeseon, et al.
Veröffentlicht: (2026)

Improving Instruction-Following in Language Models through Activation Steering
von: Stolfo, Alessandro, et al.
Veröffentlicht: (2024)

BILLY: Steering Large Language Models via Merging Persona Vectors for Creative Generation
von: Pai, Tsung-Min, et al.
Veröffentlicht: (2025)

Mechanistic Steering of LLMs Reveals Layer-wise Feature Vulnerabilities in Adversarial Settings
von: Das, Nilanjana, et al.
Veröffentlicht: (2026)

Steering Language Models Before They Speak: Logit-Level Interventions
von: An, Hyeseon, et al.
Veröffentlicht: (2026)

Investigating Bias Representations in Llama 2 Chat via Activation Steering
von: Lu, Dawn, et al.
Veröffentlicht: (2024)

Self-Steering Language Models
von: Grand, Gabriel, et al.
Veröffentlicht: (2025)

Text Detoxification: Data Efficiency, Semantic Preservation and Model Generalization
von: Yu, Jing, et al.
Veröffentlicht: (2025)

Multi-property Steering of Large Language Models with Dynamic Activation Composition
von: Scalena, Daniel, et al.
Veröffentlicht: (2024)

Interpretable Steering of Large Language Models with Feature Guided Activation Additions
von: Soo, Samuel, et al.
Veröffentlicht: (2025)

ContextFocus: Activation Steering for Contextual Faithfulness in Large Language Models
von: Anand, Nikhil, et al.
Veröffentlicht: (2026)

Layer-wise Regularized Dropout for Neural Language Models
von: Ni, Shiwen, et al.
Veröffentlicht: (2024)

Parameter-Efficient Detoxification with Contrastive Decoding
von: Niu, Tong, et al.
Veröffentlicht: (2024)

AutoToM: Scaling Model-based Mental Inference via Automated Agent Modeling
von: Zhang, Zhining, et al.
Veröffentlicht: (2025)

HyperSteer: Activation Steering at Scale with Hypernetworks
von: Sun, Jiuding, et al.
Veröffentlicht: (2025)

MultiParaDetox: Extending Text Detoxification with Parallel Data to New Languages
von: Dementieva, Daryna, et al.
Veröffentlicht: (2024)

Hallucination reduction with CASAL: Contrastive Activation Steering For Amortized Learning
von: Wannan, et al.
Veröffentlicht: (2025)

SOD: Step-wise On-policy Distillation for Small Language Model Agents
von: Zhong, Qiyong, et al.
Veröffentlicht: (2026)

Trojan Activation Attack: Red-Teaming Large Language Models using Activation Steering for Safety-Alignment
von: Wang, Haoran, et al.
Veröffentlicht: (2023)

On the Limitations of Steering in Language Model Alignment
von: Niranjan, Chebrolu, et al.
Veröffentlicht: (2025)

ThinkPilot: Steering Reasoning Models via Automated Think-prefixes Optimization
von: Li, Sunzhu, et al.
Veröffentlicht: (2025)

Multilingual and Explainable Text Detoxification with Parallel Corpora
von: Dementieva, Daryna, et al.
Veröffentlicht: (2024)