Auto-Tuning Safety Guardrails for Black-Box Large Language Models
Fuente:
arXiv
Enregistré dans:
| Auteur principal: | Abdulkadir, Perry |
|---|---|
| Format: | Preprint |
| Publié: |
2025
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
A Watermark for Black-Box Language Models
par: Bahri, Dara, et autres
Publié: (2024)
par: Bahri, Dara, et autres
Publié: (2024)
PAL: Proxy-Guided Black-Box Attack on Large Language Models
par: Sitawarin, Chawin, et autres
Publié: (2024)
par: Sitawarin, Chawin, et autres
Publié: (2024)
Black-Box Guardrail Reverse-engineering Attack
par: Yao, Hongwei, et autres
Publié: (2025)
par: Yao, Hongwei, et autres
Publié: (2025)
Representation Bending for Large Language Model Safety
par: Yousefpour, Ashkan, et autres
Publié: (2025)
par: Yousefpour, Ashkan, et autres
Publié: (2025)
RigorLLM: Resilient Guardrails for Large Language Models against Undesired Content
par: Yuan, Zhuowen, et autres
Publié: (2024)
par: Yuan, Zhuowen, et autres
Publié: (2024)
Refining Input Guardrails: Enhancing LLM-as-a-Judge Efficiency Through Chain-of-Thought Fine-Tuning and Alignment
par: Rad, Melissa Kazemi, et autres
Publié: (2025)
par: Rad, Melissa Kazemi, et autres
Publié: (2025)
Virus: Harmful Fine-tuning Attack for Large Language Models Bypassing Guardrail Moderation
par: Huang, Tiansheng, et autres
Publié: (2025)
par: Huang, Tiansheng, et autres
Publié: (2025)
SafeCOMM: A Study on Safety Degradation in Fine-Tuned Telecom Large Language Models
par: Djuhera, Aladin, et autres
Publié: (2025)
par: Djuhera, Aladin, et autres
Publié: (2025)
Why LLM Safety Guardrails Collapse After Fine-tuning: A Similarity Analysis Between Alignment and Fine-tuning Datasets
par: Hsiung, Lei, et autres
Publié: (2025)
par: Hsiung, Lei, et autres
Publié: (2025)
Backdooring Instruction-Tuned Large Language Models with Virtual Prompt Injection
par: Yan, Jun, et autres
Publié: (2023)
par: Yan, Jun, et autres
Publié: (2023)
Jailbreaking Large Language Models Against Moderation Guardrails via Cipher Characters
par: Jin, Haibo, et autres
Publié: (2024)
par: Jin, Haibo, et autres
Publié: (2024)
LMO-DP: Optimizing the Randomization Mechanism for Differentially Private Fine-Tuning (Large) Language Models
par: Yang, Qin, et autres
Publié: (2024)
par: Yang, Qin, et autres
Publié: (2024)
"Moralized" Multi-Step Jailbreak Prompts: Black-Box Testing of Guardrails in Large Language Models for Verbal Attacks
par: Wang, Libo
Publié: (2024)
par: Wang, Libo
Publié: (2024)
SGuard-v1: Safety Guardrail for Large Language Models
par: Lee, JoonHo, et autres
Publié: (2025)
par: Lee, JoonHo, et autres
Publié: (2025)
ML-Bench&Guard: Policy-Grounded Multilingual Safety Benchmark and Guardrail for Large Language Models
par: Zhao, Yunhan, et autres
Publié: (2026)
par: Zhao, Yunhan, et autres
Publié: (2026)
OpenGuardrails: A Configurable, Unified, and Scalable Guardrails Platform for Large Language Models
par: Wang, Thomas, et autres
Publié: (2025)
par: Wang, Thomas, et autres
Publié: (2025)
BlackDAN: A Black-Box Multi-Objective Approach for Effective and Contextual Jailbreaking of Large Language Models
par: Wang, Xinyuan, et autres
Publié: (2024)
par: Wang, Xinyuan, et autres
Publié: (2024)
On the Role of Attention Heads in Large Language Model Safety
par: Zhou, Zhenhong, et autres
Publié: (2024)
par: Zhou, Zhenhong, et autres
Publié: (2024)
AutoAdv: Automated Adversarial Prompting for Multi-Turn Jailbreaking of Large Language Models
par: Reddy, Aashray, et autres
Publié: (2025)
par: Reddy, Aashray, et autres
Publié: (2025)
Probing the Robustness of Large Language Models Safety to Latent Perturbations
par: Gu, Tianle, et autres
Publié: (2025)
par: Gu, Tianle, et autres
Publié: (2025)
Model Provenance Testing for Large Language Models
par: Nikolic, Ivica, et autres
Publié: (2025)
par: Nikolic, Ivica, et autres
Publié: (2025)
A Watermark for Large Language Models
par: Kirchenbauer, John, et autres
Publié: (2023)
par: Kirchenbauer, John, et autres
Publié: (2023)
On the Reliability of Watermarks for Large Language Models
par: Kirchenbauer, John, et autres
Publié: (2023)
par: Kirchenbauer, John, et autres
Publié: (2023)
Mind the Privacy Unit! User-Level Differential Privacy for Language Model Fine-Tuning
par: Chua, Lynn, et autres
Publié: (2024)
par: Chua, Lynn, et autres
Publié: (2024)
Tree of Attacks: Jailbreaking Black-Box LLMs Automatically
par: Mehrotra, Anay, et autres
Publié: (2023)
par: Mehrotra, Anay, et autres
Publié: (2023)
Instructions as Backdoors: Backdoor Vulnerabilities of Instruction Tuning for Large Language Models
par: Xu, Jiashu, et autres
Publié: (2023)
par: Xu, Jiashu, et autres
Publié: (2023)
Topic-Based Watermarks for Large Language Models
par: Nemecek, Alexander, et autres
Publié: (2024)
par: Nemecek, Alexander, et autres
Publié: (2024)
User Inference Attacks on Large Language Models
par: Kandpal, Nikhil, et autres
Publié: (2023)
par: Kandpal, Nikhil, et autres
Publié: (2023)
Watermarks for Embeddings-as-a-Service Large Language Models
par: Shetty, Anudeex
Publié: (2025)
par: Shetty, Anudeex
Publié: (2025)
Detecting Pretraining Data from Large Language Models
par: Shi, Weijia, et autres
Publié: (2023)
par: Shi, Weijia, et autres
Publié: (2023)
Learning to Poison Large Language Models for Downstream Manipulation
par: Zhou, Xiangyu, et autres
Publié: (2024)
par: Zhou, Xiangyu, et autres
Publié: (2024)
Composite Backdoor Attacks Against Large Language Models
par: Huang, Hai, et autres
Publié: (2023)
par: Huang, Hai, et autres
Publié: (2023)
SALAD-Bench: A Hierarchical and Comprehensive Safety Benchmark for Large Language Models
par: Li, Lijun, et autres
Publié: (2024)
par: Li, Lijun, et autres
Publié: (2024)
The Challenge of Identifying the Origin of Black-Box Large Language Models
par: Yang, Ziqing, et autres
Publié: (2025)
par: Yang, Ziqing, et autres
Publié: (2025)
ThinkGuard: Deliberative Slow Thinking Leads to Cautious Guardrails
par: Wen, Xiaofei, et autres
Publié: (2025)
par: Wen, Xiaofei, et autres
Publié: (2025)
VERA: Variational Inference Framework for Jailbreaking Large Language Models
par: Lochab, Anamika, et autres
Publié: (2025)
par: Lochab, Anamika, et autres
Publié: (2025)
Privacy Preserving In-Context-Learning Framework for Large Language Models
par: Bhusal, Bishnu, et autres
Publié: (2025)
par: Bhusal, Bishnu, et autres
Publié: (2025)
TFL: Targeted Bit-Flip Attack on Large Language Model
par: Guo, Jingkai, et autres
Publié: (2026)
par: Guo, Jingkai, et autres
Publié: (2026)
Improved Techniques for Optimization-Based Jailbreaking on Large Language Models
par: Jia, Xiaojun, et autres
Publié: (2024)
par: Jia, Xiaojun, et autres
Publié: (2024)
An Early Categorization of Prompt Injection Attacks on Large Language Models
par: Rossi, Sippo, et autres
Publié: (2024)
par: Rossi, Sippo, et autres
Publié: (2024)
Documents similaires
-
A Watermark for Black-Box Language Models
par: Bahri, Dara, et autres
Publié: (2024) -
PAL: Proxy-Guided Black-Box Attack on Large Language Models
par: Sitawarin, Chawin, et autres
Publié: (2024) -
Black-Box Guardrail Reverse-engineering Attack
par: Yao, Hongwei, et autres
Publié: (2025) -
Representation Bending for Large Language Model Safety
par: Yousefpour, Ashkan, et autres
Publié: (2025) -
RigorLLM: Resilient Guardrails for Large Language Models against Undesired Content
par: Yuan, Zhuowen, et autres
Publié: (2024)