研究提出标签伪装防御LDD抵御提示注入
热点事件持续更新
研究提出标签伪装防御LDD抵御提示注入
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
Yanxi Li 与 Ruocheng Shan 提出标签伪装防御（LDD），用于测试其能否提升大语言模型在情感分类任务中抵御提示注入攻击的准确率。 LDD 的做法是把情感分类中的 positive/negative 标签替换为 good/bad、cat/dog 等替代标签，通过示例引入，再把模型预测映射回原情感类别。 该研究为 arXiv cs.AI 上的一手论文，结论尚待验证。
AI 根据报道生成 · 2 小时前更新
最新进展10月15日 12:00
标签伪装防御（LDD）能否抵御 LLM 情感分类中的提示注入？报道时间线
沿着报道，了解事件的不同侧面。
10月15日
- arXiv cs.AI标签伪装防御（LDD）能否抵御 LLM 情感分类中的提示注入？
研究提出标签伪装防御（LDD），将情感分类的 positive/negative 标签替换为 good/bad、cat/dog 等替代标签，再映射回原类别，以测试其能否提升 LLM 在提示注入攻击下的准确率。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。