Latent-space Attacks for Refusal Evasion in Language Models
Fuente:
arXiv
Enregistré dans:
| Auteurs principaux: | Piras, Giorgio, Mura, Raffaele, Brau, Fabio, Pintor, Maura, Oneto, Luca, Roli, Fabio, Biggio, Battista |
|---|---|
| Format: | Preprint |
| Publié: |
2026
|
| Sujets: | |
| Accès en ligne: | |
| Tags: |
Ajouter un tag
Pas de tags, Soyez le premier à ajouter un tag!
|
Documents similaires
SOM Directions are Better than One: Multi-Directional Refusal Suppression in Language Models
par: Piras, Giorgio, et autres
Publié: (2025)
par: Piras, Giorgio, et autres
Publié: (2025)
LatentBreak: Jailbreaking Large Language Models through Latent Space Feedback
par: Mura, Raffaele, et autres
Publié: (2025)
par: Mura, Raffaele, et autres
Publié: (2025)
S2AP: Score-space Sharpness Minimization for Adversarial Pruning
par: Piras, Giorgio, et autres
Publié: (2025)
par: Piras, Giorgio, et autres
Publié: (2025)
HO-FMN: Hyperparameter Optimization for Fast Minimum-Norm Attacks
par: Mura, Raffaele, et autres
Publié: (2024)
par: Mura, Raffaele, et autres
Publié: (2024)
Adversarial Pruning: A Survey and Benchmark of Pruning Methods for Adversarial Robustness
par: Piras, Giorgio, et autres
Publié: (2024)
par: Piras, Giorgio, et autres
Publié: (2024)
Evaluating the Evaluators: Trust in Adversarial Robustness Tests
par: Cinà, Antonio Emanuele, et autres
Publié: (2025)
par: Cinà, Antonio Emanuele, et autres
Publié: (2025)
Demystifying the Role of Rule-based Detection in AI Systems for Windows Malware Detection
par: Ponte, Andrea, et autres
Publié: (2025)
par: Ponte, Andrea, et autres
Publié: (2025)
Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning
par: Rossolini, Giulio, et autres
Publié: (2025)
par: Rossolini, Giulio, et autres
Publié: (2025)
SAGE-5GC: Security-Aware Guidelines for Evaluating Anomaly Detection in the 5G Core Network
par: Manca, Cristian, et autres
Publié: (2026)
par: Manca, Cristian, et autres
Publié: (2026)
Robustness-Congruent Adversarial Training for Secure Machine Learning Model Updates
par: Angioni, Daniele, et autres
Publié: (2024)
par: Angioni, Daniele, et autres
Publié: (2024)
Buffer-free Class-Incremental Learning with Out-of-Distribution Detection
par: Gupta, Srishti, et autres
Publié: (2025)
par: Gupta, Srishti, et autres
Publié: (2025)
Silent Until Sparse: Backdoor Attacks on Semi-Structured Sparsity
par: Guo, Wei, et autres
Publié: (2025)
par: Guo, Wei, et autres
Publié: (2025)
Evaluating Line-level Localization Ability of Learning-based Code Vulnerability Detection Models
par: Pintore, Marco, et autres
Publié: (2025)
par: Pintore, Marco, et autres
Publié: (2025)
Regression-aware Continual Learning for Android Malware Detection
par: Ghiani, Daniele, et autres
Publié: (2025)
par: Ghiani, Daniele, et autres
Publié: (2025)
SLIFER: Investigating Performance and Robustness of Malware Detection Pipelines
par: Ponte, Andrea, et autres
Publié: (2024)
par: Ponte, Andrea, et autres
Publié: (2024)
BlackCATT: Black-box Collusion Aware Traitor Tracing in Federated Learning
par: Rodríguez-Lois, Elena, et autres
Publié: (2026)
par: Rodríguez-Lois, Elena, et autres
Publié: (2026)
Empirical Quantification of Spurious Correlations in Malware Detection
par: Perasso, Bianca, et autres
Publié: (2025)
par: Perasso, Bianca, et autres
Publié: (2025)
AttackBench: Evaluating Gradient-based Attacks for Adversarial Examples
par: Cinà, Antonio Emanuele, et autres
Publié: (2024)
par: Cinà, Antonio Emanuele, et autres
Publié: (2024)
ImageNet-Patch: A Dataset for Benchmarking Machine Learning Robustness against Adversarial Patches
par: Pintor, Maura, et autres
Publié: (2022)
par: Pintor, Maura, et autres
Publié: (2022)
On the Robustness of Adversarial Training Against Uncertainty Attacks
par: Ledda, Emanuele, et autres
Publié: (2024)
par: Ledda, Emanuele, et autres
Publié: (2024)
Prototype-Guided Robust Learning against Backdoor Attacks
par: Guo, Wei, et autres
Publié: (2025)
par: Guo, Wei, et autres
Publié: (2025)
Nebula: Self-Attention for Dynamic Malware Analysis
par: Trizna, Dmitrijs, et autres
Publié: (2023)
par: Trizna, Dmitrijs, et autres
Publié: (2023)
Robust Synthetic Data-Driven Detection of Living-Off-the-Land Reverse Shells
par: Trizna, Dmitrijs, et autres
Publié: (2024)
par: Trizna, Dmitrijs, et autres
Publié: (2024)
Out-of-Distribution Detection for Continual Learning: Design Principles and Benchmarking
par: Gupta, Srishti, et autres
Publié: (2025)
par: Gupta, Srishti, et autres
Publié: (2025)
Over-parameterization and Adversarial Robustness in Neural Networks: An Overview and Empirical Analysis
par: Gupta, Srishti, et autres
Publié: (2024)
par: Gupta, Srishti, et autres
Publié: (2024)
Defending From Physically-Realizable Adversarial Attacks Through Internal Over-Activation Analysis
par: Rossolini, Giulio, et autres
Publié: (2022)
par: Rossolini, Giulio, et autres
Publié: (2022)
Label-efficient Training Updates for Malware Detection over Time
par: Minnei, Luca, et autres
Publié: (2026)
par: Minnei, Luca, et autres
Publié: (2026)
Energy-Latency Attacks via Sponge Poisoning
par: Cinà, Antonio Emanuele, et autres
Publié: (2022)
par: Cinà, Antonio Emanuele, et autres
Publié: (2022)
Evaluation of Audio Language Models for Fairness, Safety, and Security
par: Aloufi, Ranya, et autres
Publié: (2026)
par: Aloufi, Ranya, et autres
Publié: (2026)
Security of Deep Reinforcement Learning for Autonomous Driving: A Survey
par: Demontis, Ambra, et autres
Publié: (2022)
par: Demontis, Ambra, et autres
Publié: (2022)
LatentRefusal: Latent-Signal Refusal for Unanswerable Text-to-SQL Queries
par: Ren, Xuancheng, et autres
Publié: (2026)
par: Ren, Xuancheng, et autres
Publié: (2026)
LatentGuard: Controllable Latent Steering for Robust Refusal of Attacks and Reliable Response Generation
par: Shu, Huizhen, et autres
Publié: (2025)
par: Shu, Huizhen, et autres
Publié: (2025)
Counterfeit Answers: Adversarial Forgery against OCR-Free Document Visual Question Answering
par: Pintore, Marco, et autres
Publié: (2025)
par: Pintore, Marco, et autres
Publié: (2025)
A Hybrid Training-time and Run-time Defense Against Adversarial Attacks in Modulation Classification
par: Zhang, Lu, et autres
Publié: (2024)
par: Zhang, Lu, et autres
Publié: (2024)
Certified Adversarial Robustness of Machine Learning-based Malware Detectors via (De)Randomized Smoothing
par: Gibert, Daniel, et autres
Publié: (2024)
par: Gibert, Daniel, et autres
Publié: (2024)
A Neural Rejection System Against Universal Adversarial Perturbations in Radio Signal Classification
par: Zhang, Lu, et autres
Publié: (2025)
par: Zhang, Lu, et autres
Publié: (2025)
Vision Transformer with Adversarial Indicator Token against Adversarial Attacks in Radio Signal Classifications
par: Zhang, Lu, et autres
Publié: (2025)
par: Zhang, Lu, et autres
Publié: (2025)
Countermeasures Against Adversarial Examples in Radio Signal Classification
par: Zhang, Lu, et autres
Publié: (2024)
par: Zhang, Lu, et autres
Publié: (2024)
Blind Refusal: Language Models Refuse to Help Users Evade Unjust, Absurd, and Illegitimate Rules
par: Pattison, Cameron, et autres
Publié: (2026)
par: Pattison, Cameron, et autres
Publié: (2026)
DiffAttack: Evasion Attacks Against Diffusion-Based Adversarial Purification
par: Kang, Mintong, et autres
Publié: (2023)
par: Kang, Mintong, et autres
Publié: (2023)
Documents similaires
-
SOM Directions are Better than One: Multi-Directional Refusal Suppression in Language Models
par: Piras, Giorgio, et autres
Publié: (2025) -
LatentBreak: Jailbreaking Large Language Models through Latent Space Feedback
par: Mura, Raffaele, et autres
Publié: (2025) -
S2AP: Score-space Sharpness Minimization for Adversarial Pruning
par: Piras, Giorgio, et autres
Publié: (2025) -
HO-FMN: Hyperparameter Optimization for Fast Minimum-Norm Attacks
par: Mura, Raffaele, et autres
Publié: (2024) -
Adversarial Pruning: A Survey and Benchmark of Pruning Methods for Adversarial Robustness
par: Piras, Giorgio, et autres
Publié: (2024)