数学的エンコーディングによるLLMの安全性ギャップの露呈：新たな攻撃と体系的分析
LLMの安全対策が数学的エンコーディングされた有害なプロンプトによって回避されることが判明しました。
AI倫理
4189件
精神衛生対話における隠れた追従性を動的感情シグネチャグラフで検出
AIセラピストの対話における隠れた追従性（ステルス・シコファンシー）を検出する新しい評価手法が開発さ…
「脳の腐敗」：AIによるスキル低下と依存症は見過ごされているリスク
生成AIの過度な利用が認知機能低下や依存症を引き起こすリスクが指摘されました。
ペルソナを消去し、伝承を忘れる：大規模視覚言語モデルにおけるマルチモーダル著作権アンラーニングのベンチマーク
大規模視覚言語モデル（LVLM）が著作権のある視覚コンテンツを記憶・生成するリスクを評価する初のベンチ…
人間とLLMの共著テキストを変化点検出でセグメント化
人間とLLMが共同で作成したテキストを、それぞれの執筆部分に自動で分割する新しいアルゴリズムが提案され…
忘却の前に記憶を学ぶ：LVLMのアンラーニングベンチマークにおける基礎学習の失敗を再検討
大規模視覚言語モデル（LVLM）のアンラーニングベンチマークが、そもそもターゲット情報を十分に記憶でき…
TRACE：運用上重要な領域における信頼性の高いエージェントAIシステムのための計測学に基づいたエンジニアリングフレームワーク
運用上重要な領域で信頼性の高いエージェントAIシステムを構築するための新しいエンジニアリングフレーム…
原子レベルのファクトチェックが腫瘍学の意思決定支援における大規模言語モデルへの臨床医の信頼を高める：ランダム化比較試験
AIの治療推奨を個別に検証可能な主張に分解し、情報源にリンクするファクトチェックが臨床医の信頼を大幅…
MOSAIC-Bench：コーディングAIにおける複合的な脆弱性誘発の測定
コーディングAIが、無害に見える複数の指示を組み合わせることで、最終的に悪用可能な脆弱なコードを生成…
集団攻撃を伴う矛盾したデータベースと議論フレームワーク
矛盾したデータベースの修復と、集団攻撃を許容する議論フレームワーク（SETAF）の新たな関連性が示されま…
ドメインと生成器を横断するロバストなAIテキスト検出のための特徴拡張トランスフォーマー
AI生成テキストを検出する新しいトランスフォーマーモデルが、異なるドメインや生成器でも高いロバスト性…
AIリスクリポジトリ：AIリスクのメタレビュー、データベース、分類法
AIリスクに関する74の主要フレームワークを統合し、包括的なデータベースと分類法が構築されました。