arXiv Artificial Intelligence· Amman Yusuf, Jiwoo Shin, Ruizhi Deng, Heitor Rodrigues Guimar\~{a}es, Nikita Dvornik, Mijung Park·· 18 小时前AI 评分22
SADDER：面向文本扩散模型的方向嵌入安全去噪方法
The Tokens Strike Back: Safety-Aware Denoising with Directional Embedding-based Revision
AI 导读
SADDER 是一种面向文本扩散模型的免训练安全引导方法，在嵌入空间为每个 token 位置提取安全引导信号，并用其乘以 SAD 更新规则，使不安全信号高的 token 更易被修改。作者为修改后的去噪器推导了逐位置目标分布及其与全局目标分布一致的条件。在 MDLM 与 USDM 上的不安全续写和越狱测试中，SADDER 在安全性、生成质量与推理成本间取得更好平衡。
来源：arXiv Artificial Intelligence · arxiv.org