BARRED: Synthetic Training of Custom Policy Guardrails via Asymmetric Debate
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Mazza, Arnon, Levi, Elad |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
Lightweight Safety Guardrails via Synthetic Data and RL-guided Adversarial Training
par: Ilin, Aleksei, et autres
Publié: (2025)
par: Ilin, Aleksei, et autres
Publié: (2025)
IntellAgent: A Multi-Agent Framework for Evaluating Conversational AI Systems
par: Levi, Elad, et autres
Publié: (2025)
par: Levi, Elad, et autres
Publié: (2025)
Building a Foundational Guardrail for General Agentic Systems via Synthetic Data
par: Huang, Yue, et autres
Publié: (2025)
par: Huang, Yue, et autres
Publié: (2025)
Intent-based Prompt Calibration: Enhancing prompt optimization with synthetic boundary cases
par: Levi, Elad, et autres
Publié: (2024)
par: Levi, Elad, et autres
Publié: (2024)
MAD-OPD: Breaking the Ceiling in On-Policy Distillation via Multi-Agent Debate
par: Wang, Jianze, et autres
Publié: (2026)
par: Wang, Jianze, et autres
Publié: (2026)
SafePred: A Predictive Guardrail for Computer-Using Agents via World Models
par: Chen, Yurun, et autres
Publié: (2026)
par: Chen, Yurun, et autres
Publié: (2026)
Why Do Safety Guardrails Degrade Across Languages?
par: Zhang, Max, et autres
Publié: (2026)
par: Zhang, Max, et autres
Publié: (2026)
Noise Injection Systemically Degrades Large Language Model Safety Guardrails
par: Shahani, Prithviraj Singh, et autres
Publié: (2025)
par: Shahani, Prithviraj Singh, et autres
Publié: (2025)
Disentangled Safety Adapters Enable Efficient Guardrails and Flexible Inference-Time Alignment
par: Krishna, Kundan, et autres
Publié: (2025)
par: Krishna, Kundan, et autres
Publié: (2025)
Unified Multi-Task Learning & Model Fusion for Efficient Language Model Guardrailing
par: Neill, James O', et autres
Publié: (2025)
par: Neill, James O', et autres
Publié: (2025)
Pluralistic Behavior Suite: Stress-Testing Multi-Turn Adherence to Custom Behavioral Policies
par: Varshney, Prasoon, et autres
Publié: (2025)
par: Varshney, Prasoon, et autres
Publié: (2025)
Evaluating the Performance of Large Language Models via Debates
par: Moniri, Behrad, et autres
Publié: (2024)
par: Moniri, Behrad, et autres
Publié: (2024)
CONSCENDI: A Contrastive and Scenario-Guided Distillation Approach to Guardrail Models for Virtual Assistants
par: Sun, Albert Yu, et autres
Publié: (2023)
par: Sun, Albert Yu, et autres
Publié: (2023)
LoRA-Guard: Parameter-Efficient Guardrail Adaptation for Content Moderation of Large Language Models
par: Elesedy, Hayder, et autres
Publié: (2024)
par: Elesedy, Hayder, et autres
Publié: (2024)
UniGuard: Towards Universal Safety Guardrails for Jailbreak Attacks on Multimodal Large Language Models
par: Oh, Sejoon, et autres
Publié: (2024)
par: Oh, Sejoon, et autres
Publié: (2024)
Does Training on Synthetic Data Make Models Less Robust?
par: Zhang, Lingze, et autres
Publié: (2025)
par: Zhang, Lingze, et autres
Publié: (2025)
HAPO: Training Language Models to Reason Concisely via History-Aware Policy Optimization
par: Huang, Chengyu, et autres
Publié: (2025)
par: Huang, Chengyu, et autres
Publié: (2025)
Provable Length Generalization in Sequence Prediction via Spectral Filtering
par: Marsden, Annie, et autres
Publié: (2024)
par: Marsden, Annie, et autres
Publié: (2024)
Identifying Features Associated with Bias Against 93 Stigmatized Groups in Language Models and Guardrail Model Safety Mitigation
par: Gueorguieva, Anna-Maria, et autres
Publié: (2025)
par: Gueorguieva, Anna-Maria, et autres
Publié: (2025)
Incremental Summarization for Customer Support via Progressive Note-Taking and Agent Feedback
par: Wu, Yisha, et autres
Publié: (2025)
par: Wu, Yisha, et autres
Publié: (2025)
Large Language Model Post-Training: A Unified View of Off-Policy and On-Policy Learning
par: Zhao, Shiwan, et autres
Publié: (2026)
par: Zhao, Shiwan, et autres
Publié: (2026)
How Bad is Training on Synthetic Data? A Statistical Analysis of Language Model Collapse
par: Seddik, Mohamed El Amine, et autres
Publié: (2024)
par: Seddik, Mohamed El Amine, et autres
Publié: (2024)
XL-Suite: Cross-Lingual Synthetic Training and Evaluation Data for Open-Ended Generation
par: Iyer, Vivek, et autres
Publié: (2025)
par: Iyer, Vivek, et autres
Publié: (2025)
Emergent World Representations: Exploring a Sequence Model Trained on a Synthetic Task
par: Li, Kenneth, et autres
Publié: (2022)
par: Li, Kenneth, et autres
Publié: (2022)
ThinkGuard: Deliberative Slow Thinking Leads to Cautious Guardrails
par: Wen, Xiaofei, et autres
Publié: (2025)
par: Wen, Xiaofei, et autres
Publié: (2025)
PD$^3$: A Project Duplication Detection Framework via Adapted Multi-Agent Debate
par: Bao, Dezheng, et autres
Publié: (2025)
par: Bao, Dezheng, et autres
Publié: (2025)
Stabilizing Off-Policy Training for Long-Horizon LLM Agent via Turn-Level Importance Sampling and Clipping-Triggered Normalization
par: Li, Chenliang, et autres
Publié: (2025)
par: Li, Chenliang, et autres
Publié: (2025)
Agentic Policy Optimization via Instruction-Policy Co-Evolution
par: Zhou, Han, et autres
Publié: (2025)
par: Zhou, Han, et autres
Publié: (2025)
Towards a Theoretical Understanding of Synthetic Data in LLM Post-Training: A Reverse-Bottleneck Perspective
par: Gan, Zeyu, et autres
Publié: (2024)
par: Gan, Zeyu, et autres
Publié: (2024)
Can LLMs Speak For Diverse People? Tuning LLMs via Debate to Generate Controllable Controversial Statements
par: Li, Ming, et autres
Publié: (2024)
par: Li, Ming, et autres
Publié: (2024)
CALICO: Conversational Agent Localization via Synthetic Data Generation
par: Rosenbaum, Andy, et autres
Publié: (2024)
par: Rosenbaum, Andy, et autres
Publié: (2024)
A Truly Joint Neural Architecture for Segmentation and Parsing
par: Levi, Danit Yshaayahu, et autres
Publié: (2024)
par: Levi, Danit Yshaayahu, et autres
Publié: (2024)
Debate Helps Weak Judges Reward Stronger Models
par: Elasky, Ethan, et autres
Publié: (2026)
par: Elasky, Ethan, et autres
Publié: (2026)
RigorLLM: Resilient Guardrails for Large Language Models against Undesired Content
par: Yuan, Zhuowen, et autres
Publié: (2024)
par: Yuan, Zhuowen, et autres
Publié: (2024)
SIPDO: Closed-Loop Prompt Optimization via Synthetic Data Feedback
par: Yu, Yaoning, et autres
Publié: (2025)
par: Yu, Yaoning, et autres
Publié: (2025)
EVPO: Explained Variance Policy Optimization for Adaptive Critic Utilization in LLM Post-Training
par: Pan, Chengjun, et autres
Publié: (2026)
par: Pan, Chengjun, et autres
Publié: (2026)
Predicting Customer Satisfaction by Replicating the Survey Response Distribution
par: Manderscheid, Etienne, et autres
Publié: (2024)
par: Manderscheid, Etienne, et autres
Publié: (2024)
Let Models Speak Ciphers: Multiagent Debate through Embeddings
par: Pham, Chau, et autres
Publié: (2023)
par: Pham, Chau, et autres
Publié: (2023)
DiffLM: Controllable Synthetic Data Generation via Diffusion Language Models
par: Zhou, Ying, et autres
Publié: (2024)
par: Zhou, Ying, et autres
Publié: (2024)
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)
Documents similaires
-
Lightweight Safety Guardrails via Synthetic Data and RL-guided Adversarial Training
par: Ilin, Aleksei, et autres
Publié: (2025) -
IntellAgent: A Multi-Agent Framework for Evaluating Conversational AI Systems
par: Levi, Elad, et autres
Publié: (2025) -
Building a Foundational Guardrail for General Agentic Systems via Synthetic Data
par: Huang, Yue, et autres
Publié: (2025) -
Intent-based Prompt Calibration: Enhancing prompt optimization with synthetic boundary cases
par: Levi, Elad, et autres
Publié: (2024) -
MAD-OPD: Breaking the Ceiling in On-Policy Distillation via Multi-Agent Debate
par: Wang, Jianze, et autres
Publié: (2026)