Extracting alignment data in open models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Barbero, Federico, Gu, Xiangming, Choquette-Choo, Christopher A., Sitawarin, Chawin, Jagielski, Matthew, Yona, Itay, Veličković, Petar, Shumailov, Ilia, Hayes, Jamie |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Interpreting the Repeated Token Phenomenon in Large Language Models
par: Yona, Itay, et autres
Publié: (2025)
par: Yona, Itay, et autres
Publié: (2025)
Stealing User Prompts from Mixture of Experts
par: Yona, Itay, et autres
Publié: (2024)
par: Yona, Itay, et autres
Publié: (2024)
Buffer Overflow in Mixture of Experts
par: Hayes, Jamie, et autres
Publié: (2024)
par: Hayes, Jamie, et autres
Publié: (2024)
Soft Instruction De-escalation Defense
par: Walter, Nils Philipp, et autres
Publié: (2025)
par: Walter, Nils Philipp, et autres
Publié: (2025)
UnUnlearning: Unlearning is not sufficient for content regulation in advanced generative AI
par: Shumailov, Ilia, et autres
Publié: (2024)
par: Shumailov, Ilia, et autres
Publié: (2024)
Measuring memorization in language models via probabilistic extraction
par: Hayes, Jamie, et autres
Publié: (2024)
par: Hayes, Jamie, et autres
Publié: (2024)
Lessons from Defending Gemini Against Indirect Prompt Injections
par: Shi, Chongyang, et autres
Publié: (2025)
par: Shi, Chongyang, et autres
Publié: (2025)
Beyond Slow Signs in High-fidelity Model Extraction
par: Foerster, Hanna, et autres
Publié: (2024)
par: Foerster, Hanna, et autres
Publié: (2024)
Cascading Adversarial Bias from Injection to Distillation in Language Models
par: Chaudhari, Harsh, et autres
Publié: (2025)
par: Chaudhari, Harsh, et autres
Publié: (2025)
Softmax is not Enough (for Sharp Size Generalisation)
par: Veličković, Petar, et autres
Publié: (2024)
par: Veličković, Petar, et autres
Publié: (2024)
Are aligned neural networks adversarially aligned?
par: Carlini, Nicholas, et autres
Publié: (2023)
par: Carlini, Nicholas, et autres
Publié: (2023)
Exploring the limits of strong membership inference attacks on large language models
par: Hayes, Jamie, et autres
Publié: (2025)
par: Hayes, Jamie, et autres
Publié: (2025)
Perplexity Cannot Always Tell Right from Wrong
par: Veličković, Petar, et autres
Publié: (2026)
par: Veličković, Petar, et autres
Publié: (2026)
Positional Embedding-Aware Activations
par: Shah, Kathan, et autres
Publié: (2023)
par: Shah, Kathan, et autres
Publié: (2023)
PAL: Proxy-Guided Black-Box Attack on Large Language Models
par: Sitawarin, Chawin, et autres
Publié: (2024)
par: Sitawarin, Chawin, et autres
Publié: (2024)
Why do LLMs attend to the first token?
par: Barbero, Federico, et autres
Publié: (2025)
par: Barbero, Federico, et autres
Publié: (2025)
How do LLMs Compute Verbal Confidence
par: Kumaran, Dharshan, et autres
Publié: (2026)
par: Kumaran, Dharshan, et autres
Publié: (2026)
LLMs unlock new paths to monetizing exploits
par: Carlini, Nicholas, et autres
Publié: (2025)
par: Carlini, Nicholas, et autres
Publié: (2025)
Auditing Private Prediction
par: Chadha, Karan, et autres
Publié: (2024)
par: Chadha, Karan, et autres
Publié: (2024)
Thought-Transfer: Indirect Targeted Poisoning Attacks on Chain-of-Thought Reasoning Models
par: Chaudhari, Harsh, et autres
Publié: (2026)
par: Chaudhari, Harsh, et autres
Publié: (2026)
Language Models May Verbatim Complete Text They Were Not Explicitly Trained On
par: Liu, Ken Ziyu, et autres
Publié: (2025)
par: Liu, Ken Ziyu, et autres
Publié: (2025)
Mark My Words: Analyzing and Evaluating Language Model Watermarks
par: Piet, Julien, et autres
Publié: (2023)
par: Piet, Julien, et autres
Publié: (2023)
Recurrent Aggregators in Neural Algorithmic Reasoning
par: Xu, Kaijia, et autres
Publié: (2024)
par: Xu, Kaijia, et autres
Publié: (2024)
PubDef: Defending Against Transfer Attacks From Public Models
par: Sitawarin, Chawin, et autres
Publié: (2023)
par: Sitawarin, Chawin, et autres
Publié: (2023)
Measuring memorization in RLHF for code completion
par: Pappu, Aneesh, et autres
Publié: (2024)
par: Pappu, Aneesh, et autres
Publié: (2024)
Reasoning Introduces New Poisoning Attacks Yet Makes Them More Complicated
par: Foerster, Hanna, et autres
Publié: (2025)
par: Foerster, Hanna, et autres
Publié: (2025)
Does More Inference-Time Compute Really Help Robustness?
par: Wu, Tong, et autres
Publié: (2025)
par: Wu, Tong, et autres
Publié: (2025)
Locking Machine Learning Models into Hardware
par: Clifford, Eleanor, et autres
Publié: (2024)
par: Clifford, Eleanor, et autres
Publié: (2024)
Machine Learning needs Better Randomness Standards: Randomised Smoothing and PRNG-based attacks
par: Dahiya, Pranav, et autres
Publié: (2023)
par: Dahiya, Pranav, et autres
Publié: (2023)
Understanding Performance Gap Between Parallel and Sequential Sampling in Large Reasoning Models
par: Gu, Xiangming, et autres
Publié: (2026)
par: Gu, Xiangming, et autres
Publié: (2026)
Inexact Unlearning Needs More Careful Evaluations to Avoid a False Sense of Privacy
par: Hayes, Jamie, et autres
Publié: (2024)
par: Hayes, Jamie, et autres
Publié: (2024)
Operationalizing Contextual Integrity in Privacy-Conscious Assistants
par: Ghalebikesabi, Sahra, et autres
Publié: (2024)
par: Ghalebikesabi, Sahra, et autres
Publié: (2024)
Cayley Graph Propagation
par: Wilson, JJ, et autres
Publié: (2024)
par: Wilson, JJ, et autres
Publié: (2024)
Friends and Grandmothers in Silico: Localizing Entity Cells in Language Models
par: Yona, Itay, et autres
Publié: (2026)
par: Yona, Itay, et autres
Publié: (2026)
Honeyval: A Comprehensive Evaluation Framework for LLM-powered HTTP Honeypots
par: Vero, Mark, et autres
Publié: (2026)
par: Vero, Mark, et autres
Publié: (2026)
Round and Round We Go! What makes Rotary Positional Encodings useful?
par: Barbero, Federico, et autres
Publié: (2024)
par: Barbero, Federico, et autres
Publié: (2024)
The Last Iterate Advantage: Empirical Auditing and Principled Heuristic Analysis of Differentially Private SGD
par: Steinke, Thomas, et autres
Publié: (2024)
par: Steinke, Thomas, et autres
Publié: (2024)
Privacy Ripple Effects from Adding or Removing Personal Information in Language Model Training
par: Borkar, Jaydeep, et autres
Publié: (2025)
par: Borkar, Jaydeep, et autres
Publié: (2025)
OODRobustBench: a Benchmark and Large-Scale Analysis of Adversarial Robustness under Distribution Shift
par: Li, Lin, et autres
Publié: (2023)
par: Li, Lin, et autres
Publié: (2023)
StruQ: Defending Against Prompt Injection with Structured Queries
par: Chen, Sizhe, et autres
Publié: (2024)
par: Chen, Sizhe, et autres
Publié: (2024)
Documents similaires
-
Interpreting the Repeated Token Phenomenon in Large Language Models
par: Yona, Itay, et autres
Publié: (2025) -
Stealing User Prompts from Mixture of Experts
par: Yona, Itay, et autres
Publié: (2024) -
Buffer Overflow in Mixture of Experts
par: Hayes, Jamie, et autres
Publié: (2024) -
Soft Instruction De-escalation Defense
par: Walter, Nils Philipp, et autres
Publié: (2025) -
UnUnlearning: Unlearning is not sufficient for content regulation in advanced generative AI
par: Shumailov, Ilia, et autres
Publié: (2024)