Fine-tuning Aligned Language Models Compromises Safety, Even When Users Do Not Intend To! (Shallow Alignment) โ Qi et al. (2024), ICLR 2024
Reviewed:
๐ ICLR 2024 ยท arXiv:2310.03693 ์ ์: Xiangyu Qi, Yi Zeng, Tinghao Xie, Pin-Yu Chen, Ruoxi Jia, Prateek Mittal, Peter Henderson ์ฐ๋ฆฌ ๋ ผ๋ฌธ๊ณผ์ ๊ด๊ณ: early-k ๊ฒฐ๊ณผ์ ์ด๋ก ์ ๊ทผ๊ฑฐ. โalignment์ shallowํ๋คโ๋ ์ฃผ์ฅ โ ์ฐ๋ฆฌ๊ฐ โ์ผ๋ง๋ shallowํ์งโ ์ ๋์ logit-level ์ฆ๊ฑฐ๋ฅผ ์ ๊ณต.
