論文の概要: SALUTE: Benchmarking and Adapting LLMs for the Defense Domain

• arxiv url: http://arxiv.org/abs/2609.15022v1
• Date: Mon, 14 Sep 2026 04:38:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.073735
• Title: SALUTE: Benchmarking and Adapting LLMs for the Defense Domain
• Title（参考訳）: SALUTE: 防衛ドメインのためのLLMのベンチマークと適応
• Abstract要約: 本稿では,防衛領域におけるLSMのベンチマークと適応のためのエンドツーエンドフレームワークであるSALUTEを提案する。 SalUTEは、Salute-Corpus、Salute-Conv、Salute-Pref、Salute-Bench、Salute-LLMを統合している。 実験では、Salute-LLMは強力な防御ドメインのパフォーマンスを達成し、競争力のある汎用能力を維持している。
• 参考スコア（独自算出の注目度）: 17.382683783537768
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Defense is a knowledge-intensive domain that requires precise understanding of specialized terminology, doctrinal concepts, operational procedures, and evolving military events. Although recent work has explored language technologies for military applications, existing efforts remain fragmented: they are often task-specific, rely on limited adaptation pipelines, or lack comprehensive defense-domain evaluation. In this paper, we present SALUTE, an end-to-end framework for benchmarking and adapting LLMs for the defense domain. SALUTE integrates Salute-Corpus, a curated corpus from open-access U.S. military doctrine and government documents; Salute-Conv, a grounded instruction dataset from doctrinal sources and decade-long defense news; Salute-Pref, a defense-aware preference dataset; and Salute-Bench, a rigorously filtered benchmark for evaluating defense-domain understanding and reasoning over doctrine and defense news. Based on these resources, we train Salute-LLM through multi-stage post-training with continual pretraining, supervised fine-tuning, and preference alignment. Extensive experiments show that Salute-LLM achieves strong defense-domain performance while retaining competitive general capabilities, demonstrating the effectiveness of SALUTE as an end-to-end framework for defense-domain LLM adaptation.
• Abstract（参考訳）: 防衛は知識集約的な領域であり、専門用語、教義概念、作戦手順、進化する軍事出来事を正確に理解する必要がある。 最近の研究は軍事用途の言語技術を探究しているが、既存の取り組みは断片的であり、しばしばタスク固有のもの、限られた適応パイプラインに依存しているもの、包括的な防衛領域の評価が欠けているものなどである。 本稿では,防衛領域におけるLSMのベンチマークと適応のためのエンドツーエンドフレームワークであるSALUTEを提案する。 SALUTEは、オープンアクセスされた米軍の教義と政府文書からのキュレートされたコーパスであるSalute-Corpus、教義的な情報源と10年にわたる防衛ニュースからの根拠付き指導データセットであるSalute-Conv、防衛に意識した選好データセットであるSalute-Pref、防衛ドメインの理解と、その教義と防衛ニュースに対する推論を評価するための厳格にフィルタリングされたベンチマークであるSalute-Benchを統合している。 これらの資源に基づいて、継続事前訓練、教師付き微調整、優先調整による多段階後訓練を通じてSalute-LLMを訓練する。 広汎な実験により,Salute-LLMは汎用能力を保ちながら強力な防御ドメイン性能を実現し,防衛ドメインLLM適応のためのエンドツーエンドフレームワークとしてSALUTEの有効性を実証した。

関連論文リスト

• When LLM Defenses Backfire: Characterizing Safety, Performance, and Cost Trade-offs [15.115024090532117]
  大規模言語モデル(LLM)の保護には脱獄防御が不可欠である 本研究では,これらの防衛トレードオフを,性能への影響,良性入力に対する過剰な拒絶,推論コストの3つの側面に沿って検討する。 防衛は下流の能力を改善することはめったにないが、その代わりに、ユーザビリティと効率性に対する安全性の利益の取引方法が異なる。
  論文  参考訳（メタデータ） (2026-07-27T13:07:52Z)
• Connect the Dots: Training LLMs for Long-Lifecycle Agents with Cross-Domain Generalization Via Reinforcement Learning [82.3676770818744]
  大型言語モデル(LLM)を"Connect the Dots"(CoD)に接続するためのフレームワークを提案する。 LLMベースのAIエージェントが環境にデプロイされると、環境を継続的に探索しながら、タスクの長いシーケンスを解決する。 本稿では,詳細な信用代入を伴うGRPOスタイルのRLアルゴリズムを含む,CoDフレームワークの概念実証実装を提案する。
  論文  参考訳（メタデータ） (2026-06-18T09:38:45Z)
• Contextualized Privacy Defense for LLM Agents [84.30907378390512]
  LLMエージェントはますますユーザーの個人情報に作用するが、既存のプライバシー保護は設計と適応性の両方において制限されている。 我々は,新たなプライバシ防衛パラダイムであるCDI(Contextualized Defense Instructing)を提案する。 我々のCDIは、ベースラインよりもプライバシー保護(94.2%)と有用性(80.6%)のバランスが良好であることを示します。
  論文  参考訳（メタデータ） (2026-03-03T13:35:33Z)
• Defending Large Language Models Against Jailbreak Exploits with Responsible AI Considerations [0.9732319879728966]
  大きな言語モデル(LLM)は、安全フィルタを回避し、有害または非倫理的な振る舞いを誘発するジェイルブレイクの悪用に影響を受けやすいままである。 この研究は、即時レベル、モデルレベル、トレーニングタイムの介入にまたがって、既存のジェイルブレイク防御の体系的な分類を提示している。
  論文  参考訳（メタデータ） (2025-11-24T09:38:11Z)
• DRAGON: Guard LLM Unlearning in Context via Negative Detection and Reasoning [15.58340591381191]
  大規模言語モデル(LLM)の学習は、プライベートデータ保護と有害な知識の除去に不可欠である。 既存のアプローチのほとんどは、未学習の効率と一般的な言語能力のバランスをとるために微調整に依存している。 本稿では,これらの制限を克服するために,Dutture-Reasoning Augmented Generation (DRAGON)を提案する。
  論文  参考訳（メタデータ） (2025-11-08T01:13:28Z)
• Generalist++: A Meta-learning Framework for Mitigating Trade-off in Adversarial Training [105.74524789405514]
  対人訓練(AT)は、現在、ニューラルネットワークに対する最も効果的な防御である。 本稿では,汎用化目標を複数のサブタスクに分割し,それぞれを専用のベースラーナに割り当てる。 トレーニングの後半では、これらのパラメータを補間して、知識のあるグローバルな学習者を形成する。 このフレームワークをGeneralistと呼び、異なるアプリケーションシナリオに適した3つのバリエーションを紹介します。
  論文  参考訳（メタデータ） (2025-10-15T09:47:54Z)
• The VLLM Safety Paradox: Dual Ease in Jailbreak Attack and Defense [56.32083100401117]
  Vision Large Language Models(VLLMs)のジェイルブレイク攻撃に対する脆弱性は、驚くにあたらない。 これらの攻撃に対する最近の防御機構は、ベンチマーク評価においてほぼ飽和状態に達している。
  論文  参考訳（メタデータ） (2024-11-13T07:57:19Z)
• Fine-Tuning and Evaluating Open-Source Large Language Models for the Army Domain [0.0]
  現在のLarge Language Models (LLM) は、陸軍のユースケースにおける準最適性能を示している。 我々は、既存のドメイン固有性の欠如に対処するため、陸軍領域での使用にオープンソースLLMを適用する可能性について検討する。 TRACLMとMilBenchの作成に関する予備的な結果、モデル、メソッド、レコメンデーションを共有します。
  論文  参考訳（メタデータ） (2024-10-27T00:39:24Z)
• SALAD-Bench: A Hierarchical and Comprehensive Safety Benchmark for Large Language Models [107.82336341926134]
  SALAD-Benchは、大規模言語モデル(LLM)を評価するために特別に設計された安全ベンチマークである。 それは、その大規模な、豊富な多様性、三つのレベルにまたがる複雑な分類、多目的機能を通じて、従来のベンチマークを超越している。
  論文  参考訳（メタデータ） (2024-02-07T17:33:54Z)
• Baseline Defenses for Adversarial Attacks Against Aligned Language Models [109.75753454188705]
  最近の研究は、テキストのモデレーションが防御をバイパスするジェイルブレイクのプロンプトを生み出すことを示している。 検出(複雑度に基づく)、入力前処理(言い換えと再帰化)、対人訓練の3種類の防衛について検討する。 テキストに対する既存の離散化の弱点と比較的高いコストの最適化が組み合わさって、標準適応攻撃をより困難にしていることがわかった。
  論文  参考訳（メタデータ） (2023-09-01T17:59:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。