arXiv cs.AI· Tianshi Wang, Jingsong Wang, Fengling Li, Jingjing Li, Xin Li, Lei Zhu·· 11 小时前AI 评分33
反事实邻域风险场 CNRF：面向视觉语言模型的基于证据选择性安全防御
Counterfactual Neighborhood Risk Fields: Evidence-Grounded Selective Safety for Vision-Language Models
AI 导读
CNRF（反事实邻域风险场）为视觉语言模型提供基于证据的选择性安全防御：构造上下文匹配的良性—有害反事实对，以表征差异作为风险方向，并把邻域支撑度与风险分开估计，避免将陌生输入误判为有害，从而支持选择性干预而非一律拒绝。在三个 VLM 与五类多模态越狱攻击家族上，CNRF 取得 86.06-89.30% 的宏平均防御成功率，同时保留可观的良性任务效用。
来源：arXiv cs.AI · arxiv.org