Improving Large Language Model Safety with Contrastive Representation Learning
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Simko, Samuel, Sachan, Mrinmaya, Schölkopf, Bernhard, Jin, Zhijing |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Can Large Language Models Infer Causation from Correlation?
par: Jin, Zhijing, et autres
Publié: (2023)
par: Jin, Zhijing, et autres
Publié: (2023)
Implicit Personalization in Language Models: A Systematic Study
par: Jin, Zhijing, et autres
Publié: (2024)
par: Jin, Zhijing, et autres
Publié: (2024)
CausalCite: A Causal Formulation of Paper Citations
par: Kumar, Ishan, et autres
Publié: (2023)
par: Kumar, Ishan, et autres
Publié: (2023)
MathGAP: Out-of-Distribution Evaluation on Problems with Arbitrarily Complex Proofs
par: Opedal, Andreas, et autres
Publié: (2024)
par: Opedal, Andreas, et autres
Publié: (2024)
Analyzing the Role of Semantic Representations in the Era of Large Language Models
par: Jin, Zhijing, et autres
Publié: (2024)
par: Jin, Zhijing, et autres
Publié: (2024)
CLadder: Assessing Causal Reasoning in Language Models
par: Jin, Zhijing, et autres
Publié: (2023)
par: Jin, Zhijing, et autres
Publié: (2023)
Learning to Reason Efficiently with A* Post-Training
par: Opedal, Andreas, et autres
Publié: (2026)
par: Opedal, Andreas, et autres
Publié: (2026)
Quriosity: Analyzing Human Questioning Behavior and Causal Inquiry through Curiosity-Driven Queries
par: Ceraolo, Roberto, et autres
Publié: (2024)
par: Ceraolo, Roberto, et autres
Publié: (2024)
Corrupted by Reasoning: Reasoning Language Models Become Free-Riders in Public Goods Games
par: Piedrahita, David Guzman, et autres
Publié: (2025)
par: Piedrahita, David Guzman, et autres
Publié: (2025)
Exploring the Jungle of Bias: Political Bias Attribution in Language Models via Dependency Analysis
par: Jenny, David F., et autres
Publié: (2023)
par: Jenny, David F., et autres
Publié: (2023)
Do Language Models Exhibit the Same Cognitive Biases in Problem Solving as Human Learners?
par: Opedal, Andreas, et autres
Publié: (2024)
par: Opedal, Andreas, et autres
Publié: (2024)
Accidental Vulnerability: Factors in Fine-Tuning that Shift Model Safeguards
par: Pandey, Punya Syon, et autres
Publié: (2025)
par: Pandey, Punya Syon, et autres
Publié: (2025)
Autoformalizing Natural Language to First-Order Logic: A Case Study in Logical Fallacy Detection
par: Lalwani, Abhinav, et autres
Publié: (2024)
par: Lalwani, Abhinav, et autres
Publié: (2024)
Are Language Models Efficient Reasoners? A Perspective from Logic Programming
par: Opedal, Andreas, et autres
Publié: (2025)
par: Opedal, Andreas, et autres
Publié: (2025)
Stepwise Verification and Remediation of Student Reasoning Errors with Large Language Model Tutors
par: Daheim, Nico, et autres
Publié: (2024)
par: Daheim, Nico, et autres
Publié: (2024)
Towards Aligning Language Models with Textual Feedback
par: Lloret, Saüc Abadal, et autres
Publié: (2024)
par: Lloret, Saüc Abadal, et autres
Publié: (2024)
Simulating Students or Sycophantic Problem Solving? On Misconception Faithfulness of LLM Simulators
par: Do, Heejin, et autres
Publié: (2026)
par: Do, Heejin, et autres
Publié: (2026)
Confidence Regulation Neurons in Language Models
par: Stolfo, Alessandro, et autres
Publié: (2024)
par: Stolfo, Alessandro, et autres
Publié: (2024)
Causality for Natural Language Processing
par: Jin, Zhijing
Publié: (2025)
par: Jin, Zhijing
Publié: (2025)
Limits of Transformer Language Models on Learning to Compose Algorithms
par: Thomm, Jonathan, et autres
Publié: (2024)
par: Thomm, Jonathan, et autres
Publié: (2024)
Causality can systematically address the monsters under the bench(marks)
par: Leeb, Felix, et autres
Publié: (2025)
par: Leeb, Felix, et autres
Publié: (2025)
MathTutorBench: A Benchmark for Measuring Open-ended Pedagogical Capabilities of LLM Tutors
par: Macina, Jakub, et autres
Publié: (2025)
par: Macina, Jakub, et autres
Publié: (2025)
Pointwise Mutual Information as a Performance Gauge for Retrieval-Augmented Generation
par: Liu, Tianyu, et autres
Publié: (2024)
par: Liu, Tianyu, et autres
Publié: (2024)
Probing for Arithmetic Errors in Language Models
par: Sun, Yucheng, et autres
Publié: (2025)
par: Sun, Yucheng, et autres
Publié: (2025)
Automated Knowledge Concept Annotation and Question Representation Learning for Knowledge Tracing
par: Ozyurt, Yilmazcan, et autres
Publié: (2024)
par: Ozyurt, Yilmazcan, et autres
Publié: (2024)
Competition of Mechanisms: Tracing How Language Models Handle Facts and Counterfactuals
par: Ortu, Francesco, et autres
Publié: (2024)
par: Ortu, Francesco, et autres
Publié: (2024)
Identifying Intervenable and Interpretable Features via Orthogonality Regularization
par: Miller, Moritz, et autres
Publié: (2026)
par: Miller, Moritz, et autres
Publié: (2026)
Dense SAE Latents Are Features, Not Bugs
par: Sun, Xiaoqing, et autres
Publié: (2025)
par: Sun, Xiaoqing, et autres
Publié: (2025)
DoLa: Decoding by Contrasting Layers Improves Factuality in Large Language Models
par: Chuang, Yung-Sung, et autres
Publié: (2023)
par: Chuang, Yung-Sung, et autres
Publié: (2023)
On Affine Homotopy between Language Encoders
par: Chan, Robin SM, et autres
Publié: (2024)
par: Chan, Robin SM, et autres
Publié: (2024)
Improving Reasoning Performance in Large Language Models via Representation Engineering
par: Højer, Bertram, et autres
Publié: (2025)
par: Højer, Bertram, et autres
Publié: (2025)
Adversarial Reinforcement Learning for Large Language Model Agent Safety
par: Wang, Zizhao, et autres
Publié: (2025)
par: Wang, Zizhao, et autres
Publié: (2025)
BinaryPPO: Efficient Policy Optimization for Binary Classification
par: Pandey, Punya Syon, et autres
Publié: (2026)
par: Pandey, Punya Syon, et autres
Publié: (2026)
Semi-Supervised Learning for Large Language Models Safety and Content Moderation
par: Dinuta, Eduard Stefan, et autres
Publié: (2025)
par: Dinuta, Eduard Stefan, et autres
Publié: (2025)
What Do Language Models Learn in Context? The Structured Task Hypothesis
par: Li, Jiaoda, et autres
Publié: (2024)
par: Li, Jiaoda, et autres
Publié: (2024)
EmbedLLM: Learning Compact Representations of Large Language Models
par: Zhuang, Richard, et autres
Publié: (2024)
par: Zhuang, Richard, et autres
Publié: (2024)
Can Large Language Models Understand Intermediate Representations in Compilers?
par: Jiang, Hailong, et autres
Publié: (2025)
par: Jiang, Hailong, et autres
Publié: (2025)
Lexicon-Level Contrastive Visual-Grounding Improves Language Modeling
par: Zhuang, Chengxu, et autres
Publié: (2024)
par: Zhuang, Chengxu, et autres
Publié: (2024)
Multilingual Performance Biases of Large Language Models in Education
par: Gupta, Vansh, et autres
Publié: (2025)
par: Gupta, Vansh, et autres
Publié: (2025)
Learning Beyond Pattern Matching? Assaying Mathematical Understanding in LLMs
par: Guo, Siyuan, et autres
Publié: (2024)
par: Guo, Siyuan, et autres
Publié: (2024)
Documents similaires
-
Can Large Language Models Infer Causation from Correlation?
par: Jin, Zhijing, et autres
Publié: (2023) -
Implicit Personalization in Language Models: A Systematic Study
par: Jin, Zhijing, et autres
Publié: (2024) -
CausalCite: A Causal Formulation of Paper Citations
par: Kumar, Ishan, et autres
Publié: (2023) -
MathGAP: Out-of-Distribution Evaluation on Problems with Arbitrarily Complex Proofs
par: Opedal, Andreas, et autres
Publié: (2024) -
Analyzing the Role of Semantic Representations in the Era of Large Language Models
par: Jin, Zhijing, et autres
Publié: (2024)