Towards Safety Reasoning in LLMs: AI-agentic Deliberation for Policy-embedded CoT Data Creation
Fuente:
arXiv
Salvato in:
| Autori principali: | Kumarage, Tharindu, Mehrabi, Ninareh, Ramakrishna, Anil, Zhao, Xinyan, Zemel, Richard, Chang, Kai-Wei, Galstyan, Aram, Gupta, Rahul, Peris, Charith |
|---|---|
| Natura: | Preprint |
| Pubblicazione: |
2025
|
| Soggetti: | |
| Accesso online: | |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Documenti analoghi
Kaleidoscopic Teaming in Multi Agent Simulations
di: Mehrabi, Ninareh, et al.
Pubblicazione: (2025)
di: Mehrabi, Ninareh, et al.
Pubblicazione: (2025)
K-Edit: Language Model Editing with Contextual Knowledge Awareness
di: Markowitz, Elan, et al.
Pubblicazione: (2025)
di: Markowitz, Elan, et al.
Pubblicazione: (2025)
Attribute Controlled Fine-tuning for Large Language Models: A Case Study on Detoxification
di: Meng, Tao, et al.
Pubblicazione: (2024)
di: Meng, Tao, et al.
Pubblicazione: (2024)
Tree-of-Traversals: A Zero-Shot Reasoning Algorithm for Augmenting Black-box Language Models with Knowledge Graphs
di: Markowitz, Elan, et al.
Pubblicazione: (2024)
di: Markowitz, Elan, et al.
Pubblicazione: (2024)
On the steerability of large language models toward data-driven personas
di: Li, Junyi, et al.
Pubblicazione: (2023)
di: Li, Junyi, et al.
Pubblicazione: (2023)
ARES: Adaptive Red-Teaming and End-to-End Repair of Policy-Reward System
di: Liang, Jiacheng, et al.
Pubblicazione: (2026)
di: Liang, Jiacheng, et al.
Pubblicazione: (2026)
SWAN: Semantic Watermarking with Abstract Meaning Representation
di: Ye, Ziping, et al.
Pubblicazione: (2026)
di: Ye, Ziping, et al.
Pubblicazione: (2026)
Data Advisor: Dynamic Data Curation for Safety Alignment of Large Language Models
di: Wang, Fei, et al.
Pubblicazione: (2024)
di: Wang, Fei, et al.
Pubblicazione: (2024)
Emergent Strategic Reasoning Risks in AI: A Taxonomy-Driven Evaluation Framework
di: Kumarage, Tharindu, et al.
Pubblicazione: (2026)
di: Kumarage, Tharindu, et al.
Pubblicazione: (2026)
Tokenization Matters: Navigating Data-Scarce Tokenization for Gender Inclusive Language Technologies
di: Ovalle, Anaelia, et al.
Pubblicazione: (2023)
di: Ovalle, Anaelia, et al.
Pubblicazione: (2023)
FLIRT: Feedback Loop In-context Red Teaming
di: Mehrabi, Ninareh, et al.
Pubblicazione: (2023)
di: Mehrabi, Ninareh, et al.
Pubblicazione: (2023)
Partial Federated Learning
di: Feng, Tiantian, et al.
Pubblicazione: (2024)
di: Feng, Tiantian, et al.
Pubblicazione: (2024)
Prompt Perturbation Consistency Learning for Robust Language Models
di: Qiang, Yao, et al.
Pubblicazione: (2024)
di: Qiang, Yao, et al.
Pubblicazione: (2024)
DiCoRe: Enhancing Zero-shot Event Detection via Divergent-Convergent LLM Reasoning
di: Parekh, Tanmay, et al.
Pubblicazione: (2025)
di: Parekh, Tanmay, et al.
Pubblicazione: (2025)
Evaluating the Critical Risks of Amazon's Nova Premier under the Frontier Model Safety Framework
di: Krishna, Satyapriya, et al.
Pubblicazione: (2025)
di: Krishna, Satyapriya, et al.
Pubblicazione: (2025)
Can Knowledge Graphs Reduce Hallucinations in LLMs? : A Survey
di: Agrawal, Garima, et al.
Pubblicazione: (2023)
di: Agrawal, Garima, et al.
Pubblicazione: (2023)
Diagnosing Memorization in Chain-of-Thought Reasoning, One Token at a Time
di: Li, Huihan, et al.
Pubblicazione: (2025)
di: Li, Huihan, et al.
Pubblicazione: (2025)
Harnessing Artificial Intelligence to Combat Online Hate: Exploring the Challenges and Opportunities of Large Language Models in Hate Speech Detection
di: Kumarage, Tharindu, et al.
Pubblicazione: (2024)
di: Kumarage, Tharindu, et al.
Pubblicazione: (2024)
Strategize Globally, Adapt Locally: A Multi-Turn Red Teaming Agent with Dual-Level Learning
di: Chen, Si, et al.
Pubblicazione: (2025)
di: Chen, Si, et al.
Pubblicazione: (2025)
Robust Persona-Aware Toxicity Detection with Prompt Optimization and Learned Ensembling
di: Atil, Berk, et al.
Pubblicazione: (2026)
di: Atil, Berk, et al.
Pubblicazione: (2026)
Mindful-RAG: A Study of Points of Failure in Retrieval Augmented Generation
di: Agrawal, Garima, et al.
Pubblicazione: (2024)
di: Agrawal, Garima, et al.
Pubblicazione: (2024)
CoT Vectors: Transferring and Probing the Reasoning Mechanisms of LLMs
di: Li, Li, et al.
Pubblicazione: (2025)
di: Li, Li, et al.
Pubblicazione: (2025)
Not Every Token Needs Forgetting: Selective Unlearning to Limit Change in Utility in Large Language Model Unlearning
di: Wan, Yixin, et al.
Pubblicazione: (2025)
di: Wan, Yixin, et al.
Pubblicazione: (2025)
Asymmetric Phase Coding Audio Watermarking
di: Yang, Guang, et al.
Pubblicazione: (2026)
di: Yang, Guang, et al.
Pubblicazione: (2026)
FERRET: Framework for Expansion Reliant Red Teaming
di: Mehrabi, Ninareh, et al.
Pubblicazione: (2026)
di: Mehrabi, Ninareh, et al.
Pubblicazione: (2026)
MINT-CoT: Enabling Interleaved Visual Tokens in Mathematical Chain-of-Thought Reasoning
di: Chen, Xinyan, et al.
Pubblicazione: (2025)
di: Chen, Xinyan, et al.
Pubblicazione: (2025)
How Likely Do LLMs with CoT Mimic Human Reasoning?
di: Bao, Guangsheng, et al.
Pubblicazione: (2024)
di: Bao, Guangsheng, et al.
Pubblicazione: (2024)
Reasoning as an Attack Surface: Adaptive Evolutionary CoT Jailbreaks for LLMs
di: Li, Jianan, et al.
Pubblicazione: (2026)
di: Li, Jianan, et al.
Pubblicazione: (2026)
From Narrow Unlearning to Emergent Misalignment: Causes, Consequences, and Containment in LLMs
di: Mushtaq, Erum, et al.
Pubblicazione: (2025)
di: Mushtaq, Erum, et al.
Pubblicazione: (2025)
KG-LLM-Bench: A Scalable Benchmark for Evaluating LLM Reasoning on Textualized Knowledge Graphs
di: Markowitz, Elan, et al.
Pubblicazione: (2025)
di: Markowitz, Elan, et al.
Pubblicazione: (2025)
S3-CoT: Self-Sampled Succinct Reasoning Enables Efficient Chain-of-Thought LLMs
di: Du, Yanrui, et al.
Pubblicazione: (2026)
di: Du, Yanrui, et al.
Pubblicazione: (2026)
Cross-Platform Hate Speech Detection with Weakly Supervised Causal Disentanglement
di: Sheth, Paras, et al.
Pubblicazione: (2024)
di: Sheth, Paras, et al.
Pubblicazione: (2024)
Assessing Visual Privacy Risks in Multimodal AI: A Novel Taxonomy-Grounded Evaluation of Vision-Language Models
di: Tsaprazlis, Efthymios, et al.
Pubblicazione: (2025)
di: Tsaprazlis, Efthymios, et al.
Pubblicazione: (2025)
Co-Evolving Agents: Learning from Failures as Hard Negatives
di: Jung, Yeonsung, et al.
Pubblicazione: (2025)
di: Jung, Yeonsung, et al.
Pubblicazione: (2025)
Unsupervised Confidence Calibration for Reasoning LLMs from a Single Generation
di: Zollo, Thomas, et al.
Pubblicazione: (2026)
di: Zollo, Thomas, et al.
Pubblicazione: (2026)
LLMs for Game Theory: Entropy-Guided In-Context Learning and Adaptive CoT Reasoning
di: Banfi, Tommaso Felice, et al.
Pubblicazione: (2026)
di: Banfi, Tommaso Felice, et al.
Pubblicazione: (2026)
Making Sense Of Distributed Representations With Activation Spectroscopy
di: Reing, Kyle, et al.
Pubblicazione: (2025)
di: Reing, Kyle, et al.
Pubblicazione: (2025)
Learning Morphisms with Gauss-Newton Approximation for Growing Networks
di: Lawton, Neal, et al.
Pubblicazione: (2024)
di: Lawton, Neal, et al.
Pubblicazione: (2024)
Privacy-preserved LLM Cascade via CoT-enhanced Policy Learning
di: Zhang, Kai, et al.
Pubblicazione: (2024)
di: Zhang, Kai, et al.
Pubblicazione: (2024)
Can LLMs Improve Multimodal Fact-Checking by Asking Relevant Questions?
di: Beigi, Alimohammad, et al.
Pubblicazione: (2024)
di: Beigi, Alimohammad, et al.
Pubblicazione: (2024)
Documenti analoghi
-
Kaleidoscopic Teaming in Multi Agent Simulations
di: Mehrabi, Ninareh, et al.
Pubblicazione: (2025) -
K-Edit: Language Model Editing with Contextual Knowledge Awareness
di: Markowitz, Elan, et al.
Pubblicazione: (2025) -
Attribute Controlled Fine-tuning for Large Language Models: A Case Study on Detoxification
di: Meng, Tao, et al.
Pubblicazione: (2024) -
Tree-of-Traversals: A Zero-Shot Reasoning Algorithm for Augmenting Black-box Language Models with Knowledge Graphs
di: Markowitz, Elan, et al.
Pubblicazione: (2024) -
On the steerability of large language models toward data-driven personas
di: Li, Junyi, et al.
Pubblicazione: (2023)