Analysing the Safety Pitfalls of Steering Vectors
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Li, Yuxiao, Fastowski, Alina, Zaradoukas, Efstratios, Prenkaj, Bardh, Kasneci, Gjergji |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Injecting Falsehoods: Adversarial Man-in-the-Middle Attacks Undermining Factual Recall in LLMs
par: Fastowski, Alina, et autres
Publié: (2025)
par: Fastowski, Alina, et autres
Publié: (2025)
From Confidence to Collapse in LLM Factual Robustness
par: Fastowski, Alina, et autres
Publié: (2025)
par: Fastowski, Alina, et autres
Publié: (2025)
Reinforcement Unlearning via Group Relative Policy Optimization
par: Zaradoukas, Efstratios, et autres
Publié: (2026)
par: Zaradoukas, Efstratios, et autres
Publié: (2026)
Graph Inverse Style Transfer for Counterfactual Explainability
par: Prenkaj, Bardh, et autres
Publié: (2025)
par: Prenkaj, Bardh, et autres
Publié: (2025)
Understanding Knowledge Drift in LLMs through Misinformation
par: Fastowski, Alina, et autres
Publié: (2024)
par: Fastowski, Alina, et autres
Publié: (2024)
RAZOR: Sharpening Knowledge by Cutting Bias with Unsupervised Text Rewriting
par: Yang, Shuo, et autres
Publié: (2024)
par: Yang, Shuo, et autres
Publié: (2024)
Not All Features Deserve Attention: Graph-Guided Dependency Learning for Tabular Data Generation with Language Models
par: Zhang, Zheyu, et autres
Publié: (2025)
par: Zhang, Zheyu, et autres
Publié: (2025)
CURE: Controlled Unlearning for Robust Embeddings -- Mitigating Conceptual Shortcuts in Pre-Trained Language Models
par: Kocak, Aysenur, et autres
Publié: (2025)
par: Kocak, Aysenur, et autres
Publié: (2025)
EvalxNLP: A Framework for Benchmarking Post-Hoc Explainability Methods on NLP Models
par: Dhaini, Mahdi, et autres
Publié: (2025)
par: Dhaini, Mahdi, et autres
Publié: (2025)
Steering the CensorShip: Uncovering Representation Vectors for LLM "Thought" Control
par: Cyberey, Hannah, et autres
Publié: (2025)
par: Cyberey, Hannah, et autres
Publié: (2025)
Attention Mechanisms Don't Learn Additive Models: Rethinking Feature Importance for Transformers
par: Leemann, Tobias, et autres
Publié: (2024)
par: Leemann, Tobias, et autres
Publié: (2024)
Probabilistic Aggregation and Targeted Embedding Optimization for Collective Moral Reasoning in Large Language Models
par: Yuan, Chenchen, et autres
Publié: (2025)
par: Yuan, Chenchen, et autres
Publié: (2025)
Compiling Activation Steering into Weights via Null-Space Constraints for Stealthy Backdoors
par: Yin, Rui, et autres
Publié: (2026)
par: Yin, Rui, et autres
Publié: (2026)
Interpretable LLM Guardrails via Sparse Representation Steering
par: He, Zeqing, et autres
Publié: (2025)
par: He, Zeqing, et autres
Publié: (2025)
AdaSteer: Your Aligned LLM is Inherently an Adaptive Jailbreak Defender
par: Zhao, Weixiang, et autres
Publié: (2025)
par: Zhao, Weixiang, et autres
Publié: (2025)
Trojan Activation Attack: Red-Teaming Large Language Models using Activation Steering for Safety-Alignment
par: Wang, Haoran, et autres
Publié: (2023)
par: Wang, Haoran, et autres
Publié: (2023)
Safety is Not Only About Refusal: Reasoning-Enhanced Fine-tuning for Interpretable LLM Safety
par: Zhang, Yuyou, et autres
Publié: (2025)
par: Zhang, Yuyou, et autres
Publié: (2025)
Mitigating Fine-tuning based Jailbreak Attack with Backdoor Enhanced Safety Alignment
par: Wang, Jiongxiao, et autres
Publié: (2024)
par: Wang, Jiongxiao, et autres
Publié: (2024)
EnchTable: Unified Safety Alignment Transfer in Fine-tuned Large Language Models
par: Wu, Jialin, et autres
Publié: (2025)
par: Wu, Jialin, et autres
Publié: (2025)
Cross-Task Defense: Instruction-Tuning LLMs for Content Safety
par: Fu, Yu, et autres
Publié: (2024)
par: Fu, Yu, et autres
Publié: (2024)
Be Your Own Red Teamer: Safety Alignment via Self-Play and Reflective Experience Replay
par: Wang, Hao, et autres
Publié: (2026)
par: Wang, Hao, et autres
Publié: (2026)
Model-Agnostic Lifelong LLM Safety via Externalized Attack-Defense Co-Evolution
par: Zhang, Xiaozhe, et autres
Publié: (2026)
par: Zhang, Xiaozhe, et autres
Publié: (2026)
Moral Lenses, Political Coordinates: Towards Ideological Positioning of Morally Conditioned LLMs
par: Yuan, Chenchen, et autres
Publié: (2026)
par: Yuan, Chenchen, et autres
Publié: (2026)
PandaGuard: Systematic Evaluation of LLM Safety against Jailbreaking Attacks
par: Shen, Guobin, et autres
Publié: (2025)
par: Shen, Guobin, et autres
Publié: (2025)
S-Eval: Towards Automated and Comprehensive Safety Evaluation for Large Language Models
par: Yuan, Xiaohan, et autres
Publié: (2024)
par: Yuan, Xiaohan, et autres
Publié: (2024)
Logit-Gap Steering: A Forward-Pass Diagnostic for Alignment Robustness
par: Li, Tung-Ling, et autres
Publié: (2025)
par: Li, Tung-Ling, et autres
Publié: (2025)
Overriding Safety protections of Open-source Models
par: Kumar, Sachin
Publié: (2024)
par: Kumar, Sachin
Publié: (2024)
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)
Bag of Tricks for Subverting Reasoning-based Safety Guardrails
par: Chen, Shuo, et autres
Publié: (2025)
par: Chen, Shuo, et autres
Publié: (2025)
SafeAligner: Safety Alignment against Jailbreak Attacks via Response Disparity Guidance
par: Huang, Caishuang, et autres
Publié: (2024)
par: Huang, Caishuang, et autres
Publié: (2024)
Root Defence Strategies: Ensuring Safety of LLM at the Decoding Level
par: Zeng, Xinyi, et autres
Publié: (2024)
par: Zeng, Xinyi, et autres
Publié: (2024)
Fingerprint Vector: Enabling Scalable and Efficient Model Fingerprint Transfer via Vector Addition
par: Xu, Zhenhua, et autres
Publié: (2024)
par: Xu, Zhenhua, et autres
Publié: (2024)
RAG Safety: Exploring Knowledge Poisoning Attacks to Retrieval-Augmented Generation
par: Zhao, Tianzhe, et autres
Publié: (2025)
par: Zhao, Tianzhe, et autres
Publié: (2025)
TWGuard: A Case Study of LLM Safety Guardrails for Localized Linguistic Contexts
par: Chu, Hua-Rong, et autres
Publié: (2026)
par: Chu, Hua-Rong, et autres
Publié: (2026)
One Word at a Time: Incremental Completion Decomposition Breaks LLM Safety
par: Arif, Samee, et autres
Publié: (2026)
par: Arif, Samee, et autres
Publié: (2026)
Understanding and Mitigating Over-refusal for Large Language Models via Safety Representation
par: Zhang, Junbo, et autres
Publié: (2025)
par: Zhang, Junbo, et autres
Publié: (2025)
Overlooked Safety Vulnerability in LLMs: Malicious Intelligent Optimization Algorithm Request and its Jailbreak
par: Gu, Haoran, et autres
Publié: (2026)
par: Gu, Haoran, et autres
Publié: (2026)
GradSafe: Detecting Jailbreak Prompts for LLMs via Safety-Critical Gradient Analysis
par: Xie, Yueqi, et autres
Publié: (2024)
par: Xie, Yueqi, et autres
Publié: (2024)
Do Prompts Guarantee Safety? Mitigating Toxicity from LLM Generations through Subspace Intervention
par: Singh, Himanshu, et autres
Publié: (2026)
par: Singh, Himanshu, et autres
Publié: (2026)
Bias Amplification in RAG: Poisoning Knowledge Retrieval to Steer LLMs
par: Wang, Linlin, et autres
Publié: (2025)
par: Wang, Linlin, et autres
Publié: (2025)
Documents similaires
-
Injecting Falsehoods: Adversarial Man-in-the-Middle Attacks Undermining Factual Recall in LLMs
par: Fastowski, Alina, et autres
Publié: (2025) -
From Confidence to Collapse in LLM Factual Robustness
par: Fastowski, Alina, et autres
Publié: (2025) -
Reinforcement Unlearning via Group Relative Policy Optimization
par: Zaradoukas, Efstratios, et autres
Publié: (2026) -
Graph Inverse Style Transfer for Counterfactual Explainability
par: Prenkaj, Bardh, et autres
Publié: (2025) -
Understanding Knowledge Drift in LLMs through Misinformation
par: Fastowski, Alina, et autres
Publié: (2024)