标签
诱骗方向优化 (DDO) 是一种快速、后置的防御方法，通过向网络注入诱骗信号，保护开放权重的LLM免受拒绝特征消融攻击，在比训练防御更低的成本下实现高鲁棒性。
本文介绍了FALCON-Discover，这是一个事后（post-hoc）框架，用于发现模型预测高置信度但错误的区域，将校准重点从总体指标转向样本级的危险故障。
提出SAGE，一种后处理方法，用于清洗大型语言模型中的最终遗忘向量，在不重新运行遗忘流程的情况下改善保留-遗忘权衡。
提出REEF-GP，一种事后不确定性量化框架，通过将高斯过程拟合到冻结神经算子的残差上并利用其内部嵌入，以低成本实现几何感知且校准的不确定性。
一种后验方法通过截断权重更新矩阵SVD的尾部来减少微调大语言模型中的虚假相关性。该方法在不重新训练或使用群体标签的情况下，将虚假群体差距最多减少5倍，精度损失小于2个百分点。
Phase Marginalization是一种事后方法，通过评估结构化补丁网格相位并聚合输出来解决Vision Transformers中依赖于相位的不稳定性。与标准基线相比，它以最小的额外成本改善了分割、深度和局部匹配性能。
CSULoRA是一种事后方法，用于纠正训练后的LoRA适配器，以在保持实用性的同时保留安全对齐，该方法利用最接近安全更新估计。