arXiv · cs.AI· Chenye Yang, Weiyu Xu, Lifeng Lai·· 1 天前
偏好标签翻转攻击下的鲁棒直接偏好优化
Robust Direct Preference Optimization under Preference Label-Flip Attacks
arXiv:2610.24945v1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：Chenye Yang, Weiyu Xu, Lifeng Lai
研究任务与主要进展
针对偏好标签翻转攻击，作者提出Trim-K Robust-DPO和Soft-Trim-K Robust-DPO，分别移除或平滑降权影响最大的K个偏好样本对，以降低攻击造成的梯度偏移。
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