CORVUS: Red-Teaming Hallucination Detectors via Internal Signal Camouflage in Large Language Models
Fuente:
arXiv
Salvato in:
| Autori principali: | Min, Nay Myat, Pham, Long H., Zhang, Hongyu, Sun, Jun |
|---|---|
| Natura: | Preprint |
| Pubblicazione: |
2026
|
| Soggetti: | |
| Accesso online: | |
| Tags: |
Aggiungi Tag
Nessun Tag, puoi essere il primo ad aggiungerne!!
|
Documenti analoghi
Layerwise Convergence Fingerprints for Runtime Misbehavior Detection in Large Language Models
di: Min, Nay Myat, et al.
Pubblicazione: (2026)
di: Min, Nay Myat, et al.
Pubblicazione: (2026)
Unified Neural Backdoor Removal with Only Few Clean Samples through Unlearning and Relearning
di: Min, Nay Myat, et al.
Pubblicazione: (2024)
di: Min, Nay Myat, et al.
Pubblicazione: (2024)
AutoBackdoor: Automating Backdoor Attacks via LLM Agents
di: Li, Yige, et al.
Pubblicazione: (2025)
di: Li, Yige, et al.
Pubblicazione: (2025)
Red Teaming Large Reasoning Models
di: Chen, Jiawei, et al.
Pubblicazione: (2025)
di: Chen, Jiawei, et al.
Pubblicazione: (2025)
Auto-RT: Automatic Jailbreak Strategy Exploration for Red-Teaming Large Language Models
di: Liu, Yanjiang, et al.
Pubblicazione: (2025)
di: Liu, Yanjiang, et al.
Pubblicazione: (2025)
Backdoor4Good: Benchmarking Beneficial Uses of Backdoors in LLMs
di: Li, Yige, et al.
Pubblicazione: (2026)
di: Li, Yige, et al.
Pubblicazione: (2026)
CROW: Eliminating Backdoors from Large Language Models via Internal Consistency Regularization
di: Min, Nay Myat, et al.
Pubblicazione: (2024)
di: Min, Nay Myat, et al.
Pubblicazione: (2024)
When Search Goes Wrong: Red-Teaming Web-Augmented Large Language Models
di: Ou, Haoran, et al.
Pubblicazione: (2025)
di: Ou, Haoran, et al.
Pubblicazione: (2025)
Behind the Mask: Benchmarking Camouflaged Jailbreaks in Large Language Models
di: Zheng, Youjia, et al.
Pubblicazione: (2025)
di: Zheng, Youjia, et al.
Pubblicazione: (2025)
PRM-Free Security Alignment of Large Models via Red Teaming and Adversarial Training
di: Du, Pengfei
Pubblicazione: (2025)
di: Du, Pengfei
Pubblicazione: (2025)
RedAgent: Red Teaming Large Language Models with Context-aware Autonomous Language Agent
di: Xu, Huiyu, et al.
Pubblicazione: (2024)
di: Xu, Huiyu, et al.
Pubblicazione: (2024)
Red Teaming AI Red Teaming
di: Majumdar, Subhabrata, et al.
Pubblicazione: (2025)
di: Majumdar, Subhabrata, et al.
Pubblicazione: (2025)
Red-teaming the Multimodal Reasoning: Jailbreaking Vision-Language Models via Cross-modal Entanglement Attacks
di: Yan, Yu, et al.
Pubblicazione: (2026)
di: Yan, Yu, et al.
Pubblicazione: (2026)
AutoRISE: Agent-Driven Strategy Evolution for Red-Teaming Large Language Models
di: Gautam, Tanmay, et al.
Pubblicazione: (2026)
di: Gautam, Tanmay, et al.
Pubblicazione: (2026)
Hallucination-Resistant Security Planning with a Large Language Model
di: Hammar, Kim, et al.
Pubblicazione: (2026)
di: Hammar, Kim, et al.
Pubblicazione: (2026)
AutoRedTeamer: Autonomous Red Teaming with Lifelong Attack Integration
di: Zhou, Andy, et al.
Pubblicazione: (2025)
di: Zhou, Andy, et al.
Pubblicazione: (2025)
NeuroBreak: Unveil Internal Jailbreak Mechanisms in Large Language Models
di: Zhang, Chuhan, et al.
Pubblicazione: (2025)
di: Zhang, Chuhan, et al.
Pubblicazione: (2025)
Can Large Language Models Really Recognize Your Name?
di: Pham, Dzung, et al.
Pubblicazione: (2025)
di: Pham, Dzung, et al.
Pubblicazione: (2025)
Hallucinating AI Hijacking Attack: Large Language Models and Malicious Code Recommenders
di: Noever, David, et al.
Pubblicazione: (2024)
di: Noever, David, et al.
Pubblicazione: (2024)
Trojan Activation Attack: Red-Teaming Large Language Models using Activation Steering for Safety-Alignment
di: Wang, Haoran, et al.
Pubblicazione: (2023)
di: Wang, Haoran, et al.
Pubblicazione: (2023)
Whispers of Wealth: Red-Teaming Google's Agent Payments Protocol via Prompt Injection
di: Debi, Tanusree, et al.
Pubblicazione: (2026)
di: Debi, Tanusree, et al.
Pubblicazione: (2026)
Incident Response Planning Using a Lightweight Large Language Model with Reduced Hallucination
di: Hammar, Kim, et al.
Pubblicazione: (2025)
di: Hammar, Kim, et al.
Pubblicazione: (2025)
A Red Teaming Roadmap Towards System-Level Safety
di: Wang, Zifan, et al.
Pubblicazione: (2025)
di: Wang, Zifan, et al.
Pubblicazione: (2025)
MonitoringBench: Semi-Automated Red-Teaming for Agent Monitoring
di: Jotautaitė, Monika, et al.
Pubblicazione: (2026)
di: Jotautaitė, Monika, et al.
Pubblicazione: (2026)
FDLLM: A Dedicated Detector for Black-Box LLMs Fingerprinting
di: Fu, Zhiyuan, et al.
Pubblicazione: (2025)
di: Fu, Zhiyuan, et al.
Pubblicazione: (2025)
Multi-Designated Detector Watermarking for Language Models
di: Huang, Zhengan, et al.
Pubblicazione: (2024)
di: Huang, Zhengan, et al.
Pubblicazione: (2024)
Redefining AI Red Teaming in the Agentic Era: From Weeks to Hours
di: Dheekonda, Raja Sekhar Rao, et al.
Pubblicazione: (2026)
di: Dheekonda, Raja Sekhar Rao, et al.
Pubblicazione: (2026)
Proteus: A Self-Evolving Red Team for Agent Skill Ecosystems
di: Zhou, Zhaojiacheng
Pubblicazione: (2026)
di: Zhou, Zhaojiacheng
Pubblicazione: (2026)
SoK: a Comprehensive Causality Analysis Framework for Large Language Model Security
di: Zhao, Wei, et al.
Pubblicazione: (2025)
di: Zhao, Wei, et al.
Pubblicazione: (2025)
Arondight: Red Teaming Large Vision Language Models with Auto-generated Multi-modal Jailbreak Prompts
di: Liu, Yi, et al.
Pubblicazione: (2024)
di: Liu, Yi, et al.
Pubblicazione: (2024)
Holistic Automated Red Teaming for Large Language Models through Top-Down Test Case Generation and Multi-turn Interaction
di: Zhang, Jinchuan, et al.
Pubblicazione: (2024)
di: Zhang, Jinchuan, et al.
Pubblicazione: (2024)
Q-MLLM: Vector Quantization for Robust Multimodal Large Language Model Security
di: Zhao, Wei, et al.
Pubblicazione: (2025)
di: Zhao, Wei, et al.
Pubblicazione: (2025)
Incalmo: An Autonomous LLM-assisted System for Red Teaming Multi-Host Networks
di: Singer, Brian, et al.
Pubblicazione: (2025)
di: Singer, Brian, et al.
Pubblicazione: (2025)
BlackIce: A Containerized Red Teaming Toolkit for AI Security Testing
di: Kaplan, Caelin, et al.
Pubblicazione: (2025)
di: Kaplan, Caelin, et al.
Pubblicazione: (2025)
From Firewalls to Frontiers: AI Red-Teaming is a Domain-Specific Evolution of Cyber Red-Teaming
di: Sinha, Anusha, et al.
Pubblicazione: (2025)
di: Sinha, Anusha, et al.
Pubblicazione: (2025)
Internal Safety Collapse in Frontier Large Language Models
di: Wu, Yutao, et al.
Pubblicazione: (2026)
di: Wu, Yutao, et al.
Pubblicazione: (2026)
A Systematic Review of Algorithmic Red Teaming Methodologies for Assurance and Security of AI Applications
di: Srivastava, Shruti, et al.
Pubblicazione: (2026)
di: Srivastava, Shruti, et al.
Pubblicazione: (2026)
Red-Teaming Agent Execution Contexts: Open-World Security Evaluation on OpenClaw
di: Yao, Hongwei, et al.
Pubblicazione: (2026)
di: Yao, Hongwei, et al.
Pubblicazione: (2026)
Trojan Horses in Recruiting: A Red-Teaming Case Study on Indirect Prompt Injection in Standard vs. Reasoning Models
di: Wirth, Manuel
Pubblicazione: (2026)
di: Wirth, Manuel
Pubblicazione: (2026)
RouteGuard: Internal-Signal Detection of Skill Poisoning in LLM Agents
di: Xiao, Wenjie, et al.
Pubblicazione: (2026)
di: Xiao, Wenjie, et al.
Pubblicazione: (2026)
Documenti analoghi
-
Layerwise Convergence Fingerprints for Runtime Misbehavior Detection in Large Language Models
di: Min, Nay Myat, et al.
Pubblicazione: (2026) -
Unified Neural Backdoor Removal with Only Few Clean Samples through Unlearning and Relearning
di: Min, Nay Myat, et al.
Pubblicazione: (2024) -
AutoBackdoor: Automating Backdoor Attacks via LLM Agents
di: Li, Yige, et al.
Pubblicazione: (2025) -
Red Teaming Large Reasoning Models
di: Chen, Jiawei, et al.
Pubblicazione: (2025) -
Auto-RT: Automatic Jailbreak Strategy Exploration for Red-Teaming Large Language Models
di: Liu, Yanjiang, et al.
Pubblicazione: (2025)