arXiv · cs.AI· Zesheng Shi, Yucheng Zhou, Jing Li·· 7 小时前
大语言模型通过受限知识遗忘实现安全对齐
Safety Alignment via Constrained Knowledge Unlearning
arXiv:2505.18588v2阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Zesheng Shi, Yucheng Zhou, Jing Li
研究任务与主要进展
Zesheng Shi、Yucheng Zhou 和 Jing Li 提出受限知识遗忘（CKU）安全对齐方法，用于减少大语言模型中的越狱攻击。方法在特定多层感知机层中筛选有用知识神经元，并通过裁剪这些神经元的梯度保留有价值知识、削弱有害内容。基于论文摘要，作者报告该方法改善了安全性与整体性能的平衡；具体实验设置、基线和结果细节未说明。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org