Buchumschlag

Fail-Closed Alignment for Large Language Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Coalson, Zachary, Sohler, Beth, Gabriel, Aiden, Hong, Sanghyun
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Asking Forever: Universal Activations Behind Turn Amplification in Conversational LLMs
von: Coalson, Zachary, et al.
Veröffentlicht: (2026)

Discovering Universal Activation Directions for PII Leakage in Language Models
von: Marchyok, Leo, et al.
Veröffentlicht: (2026)

Hard Work Does Not Always Pay Off: Poisoning Attacks on Neural Architecture Search
von: Coalson, Zachary, et al.
Veröffentlicht: (2024)

IF-GUIDE: Influence Function-Guided Detoxification of LLMs
von: Coalson, Zachary, et al.
Veröffentlicht: (2025)

PrisonBreak: Jailbreaking Large Language Models with at Most Twenty-Five Targeted Bit-flips
von: Coalson, Zachary, et al.
Veröffentlicht: (2024)

Modeling Neural Networks with Privacy Using Neural Stochastic Differential Equations
von: Hong, Sanghyun, et al.
Veröffentlicht: (2025)

Privacy Backdoors: Enhancing Membership Inference through Poisoning Pre-trained Models
von: Wen, Yuxin, et al.
Veröffentlicht: (2024)

Hessian-aware Training for Enhancing DNNs Resilience to Parameter Corruptions
von: Prato, Tahmid Hasan, et al.
Veröffentlicht: (2025)

MADCAT: Combating Malware Detection Under Concept Drift with Test-Time Adaptation
von: Roh, Eunjin, et al.
Veröffentlicht: (2025)

EASE: Practical and Efficient Safety Alignment for Small Language Models
von: Shi, Haonan, et al.
Veröffentlicht: (2025)

Safety Tax: Safety Alignment Makes Your Large Reasoning Models Less Reasonable
von: Huang, Tiansheng, et al.
Veröffentlicht: (2025)

DP-SelFT: Differentially Private Selective Fine-Tuning for Large Language Models
von: Sha, Haichao, et al.
Veröffentlicht: (2026)

When Vision Fails: Text Attacks Against ViT and OCR
von: Boucher, Nicholas, et al.
Veröffentlicht: (2023)

Differentially Private Preference Data Synthesis for Large Language Model Alignment
von: Gao, Fengyu, et al.
Veröffentlicht: (2026)

Prompt Obfuscation for Large Language Models
von: Pape, David, et al.
Veröffentlicht: (2024)

On Large Language Model Continual Unlearning
von: Gao, Chongyang, et al.
Veröffentlicht: (2024)

Signal Watermark on Large Language Models
von: Xu, Zhenyu, et al.
Veröffentlicht: (2024)

Scalable Fingerprinting of Large Language Models
von: Nasery, Anshul, et al.
Veröffentlicht: (2025)

Augmenting Parameter-Efficient Pre-trained Language Models with Large Language Models
von: Anand, Saurabh, et al.
Veröffentlicht: (2026)

Fingerprinting Inference Systems of Large Language Models
von: Wimbauer, Anna, et al.
Veröffentlicht: (2026)

Adaptive Backtracking for Privacy Protection in Large Language Models
von: Yao, Zhihao, et al.
Veröffentlicht: (2025)

Analysis of Privacy Leakage in Federated Large Language Models
von: Vu, Minh N., et al.
Veröffentlicht: (2024)

Jailbreaking Large Language Models in Infinitely Many Ways
von: Goldstein, Oliver, et al.
Veröffentlicht: (2025)

DeepInception: Hypnotize Large Language Model to Be Jailbreaker
von: Li, Xuan, et al.
Veröffentlicht: (2023)

Breaking Distortion-free Watermarks in Large Language Models
von: Reynolds, Shayleen, et al.
Veröffentlicht: (2025)

JULI: Jailbreak Large Language Models by Self-Introspection
von: Wang, Jesson, et al.
Veröffentlicht: (2025)

SoK: Machine Unlearning for Large Language Models
von: Ren, Jie, et al.
Veröffentlicht: (2025)

Adversarial Search Engine Optimization for Large Language Models
von: Nestaas, Fredrik, et al.
Veröffentlicht: (2024)

Information Leakage from Embedding in Large Language Models
von: Wan, Zhipeng, et al.
Veröffentlicht: (2024)

Concept-ROT: Poisoning Concepts in Large Language Models with Model Editing
von: Grimes, Keltin, et al.
Veröffentlicht: (2024)

Certified Robustness to Clean-Label Poisoning Using Diffusion Denoising
von: Hong, Sanghyun, et al.
Veröffentlicht: (2024)

Pharmacist: Safety Alignment Data Curation for Large Language Models against Harmful Fine-tuning
von: Liu, Guozhi, et al.
Veröffentlicht: (2025)

Machine Unlearning for Traditional Models and Large Language Models: A Short Survey
von: Xu, Yi
Veröffentlicht: (2024)

Model-Editing-Based Jailbreak against Safety-aligned Large Language Models
von: Li, Yuxi, et al.
Veröffentlicht: (2024)

Differentially Private Subspace Fine-Tuning for Large Language Models
von: Zheng, Lele, et al.
Veröffentlicht: (2026)

Systematic Scaling Analysis of Jailbreak Attacks in Large Language Models
von: Wang, Xiangwen, et al.
Veröffentlicht: (2026)

Knowledge-Driven Multi-Turn Jailbreaking on Large Language Models
von: Li, Songze, et al.
Veröffentlicht: (2026)

The Challenge of Identifying the Origin of Black-Box Large Language Models
von: Yang, Ziqing, et al.
Veröffentlicht: (2025)

Extracting Spatiotemporal Data from Gradients with Large Language Models
von: Zheng, Lele, et al.
Veröffentlicht: (2024)

zkLLM: Zero Knowledge Proofs for Large Language Models
von: Sun, Haochen, et al.
Veröffentlicht: (2024)