Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2508.16325v1

帮助 | 高级搜索

计算机科学 > 计算与语言

arXiv:2508.16325v1 (cs)
[提交于 2025年8月22日 ]

标题: LLMSymGuard:一种利用可解释的越狱概念的符号安全护栏框架

标题: LLMSymGuard: A Symbolic Safety Guardrail Framework Leveraging Interpretable Jailbreak Concepts

Authors:Darpan Aswal, Céline Hudelot
摘要: 大型语言模型在各种应用中取得了成功;然而,由于存在多种类型的越狱方法,其安全性仍然令人担忧。 尽管做出了大量努力,对齐和安全微调仅能提供一定程度的鲁棒性,以抵御那些隐秘地误导大型语言模型生成有害内容的越狱攻击。 这使它们容易受到多种漏洞的影响,从有针对性的滥用到用户意外的特征分析。 本工作引入了\textbf{LLMSymGuard},一种新颖的框架,利用稀疏自编码器(SAEs)来识别与不同越狱主题相关的大型语言模型内部的可解释概念。 通过提取语义上有意义的内部表示,LLMSymGuard能够构建符号化、逻辑化的安全护栏——在不牺牲模型能力或不需要进一步微调的情况下提供透明且稳健的防御。 借助大型语言模型机制可解释性的进展,我们的方法表明大型语言模型可以从越狱中学习人类可解释的概念,并为设计更可解释和逻辑的安全防护措施提供了基础。 代码将在发表后发布。
摘要: Large Language Models have found success in a variety of applications; however, their safety remains a matter of concern due to the existence of various types of jailbreaking methods. Despite significant efforts, alignment and safety fine-tuning only provide a certain degree of robustness against jailbreak attacks that covertly mislead LLMs towards the generation of harmful content. This leaves them prone to a number of vulnerabilities, ranging from targeted misuse to accidental profiling of users. This work introduces \textbf{LLMSymGuard}, a novel framework that leverages Sparse Autoencoders (SAEs) to identify interpretable concepts within LLM internals associated with different jailbreak themes. By extracting semantically meaningful internal representations, LLMSymGuard enables building symbolic, logical safety guardrails -- offering transparent and robust defenses without sacrificing model capabilities or requiring further fine-tuning. Leveraging advances in mechanistic interpretability of LLMs, our approach demonstrates that LLMs learn human-interpretable concepts from jailbreaks, and provides a foundation for designing more interpretable and logical safeguard measures against attackers. Code will be released upon publication.
主题: 计算与语言 (cs.CL) ; 人工智能 (cs.AI); 符号计算 (cs.SC)
引用方式: arXiv:2508.16325 [cs.CL]
  (或者 arXiv:2508.16325v1 [cs.CL] 对于此版本)
  https://doi.org/10.48550/arXiv.2508.16325
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Darpan Aswal [查看电子邮件]
[v1] 星期五, 2025 年 8 月 22 日 12:13:38 UTC (341 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
许可图标 查看许可
当前浏览上下文:
cs.CL
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-08
切换浏览方式为:
cs
cs.AI
cs.SC

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号