論文の概要: What Drives Dialectal Jailbreaks? An Ablation of Surface Form, Cultural Framing, and Strategy Banks

• arxiv url: http://arxiv.org/abs/2609.31664v1
• Date: Tue, 15 Sep 2026 13:05:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 14:06:26.496555
• Title: What Drives Dialectal Jailbreaks? An Ablation of Surface Form, Cultural Framing, and Strategy Banks
• Title（参考訳）: 視覚障害の原因は何か : 表面形態, 文化フレーム, 戦略銀行のアブレーション
• Abstract要約: 古典的な中国赤チームの枠組みを上海やカントンにも広げる。 その結果, 方言表層形態は高い攻撃成功には必要ではなく, 十分ではないことがわかった。
• 参考スコア（独自算出の注目度）: 1.6515283355197958
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent work suggests that obscure language registers can weaken large language model refusal behavior, especially when paired with black-box prompt optimization. It remains unclear whether failures stem from non-standard surface form, culturally grounded framing, or optimization over an expressive prompt-strategy space. We study Chinese registers by extending a classical-Chinese red-teaming framework to Shanghainese and Cantonese and running a 36-cell ablation across surface forms, strategy-bank variants, and two target models. The main finding is corrective: dialectal surface form is neither necessary nor sufficient for high attack success. Non-optimized English, Mandarin, and naive dialect translations remain below 8\% attack success rate, whereas all conditions that retain an optimizer-controlled strategy bank reach 98--100\%. A culture-neutral generic strategy bank reaches the same ceiling at near-single-query cost, further indicating that strategy-bank expressiveness, rather than dialectal or cultural content, accounts for most of the observed effect. Dialect choice still affects query efficiency and response severity, and qualitative coding identifies recurring high-level mechanisms such as semantic glossing and procedural scaffolding. We qualify the absolute ceiling-level attack success rate by showing sensitivity to judge calibration and noting that the design does not fully separate one-shot strategy construction from iterative search.
• Abstract（参考訳）: 最近の研究は、特にブラックボックスのプロンプト最適化と組み合わせた場合、不明瞭な言語レジスタが大きな言語モデルの拒絶動作を弱めることを示唆している。 失敗は、非標準的な表面形状、文化的根拠を持つフレーミング、あるいは表現力のあるプロンプトストラテジー空間に対する最適化に由来するかは、いまだ不明である。 上海・カントネーゼに古典的・古典的赤チームフレームワークを拡張し,36セルのアブレーションを表面形状,戦略バンクの変種,および2つのターゲットモデルで実行することで,中国語レジスタを調査する。 主な発見は正当性であり、方言の表面形態は必要ではなく、高い攻撃の成功には十分ではない。 最適化されていない英語、マンダリン、ナイーブ方言の翻訳は攻撃成功率8\%以下であり、オプティマイザ制御戦略銀行を保持するすべての条件は98-100\%に達する。 文化ニュートラルな総合戦略銀行は、ほぼ単一クエリコストで同じ天井に到達し、さらに、弁証的・文化的な内容ではなく、戦略バンクの表現性が、観察された効果の大部分を担っていることを示す。 ダイアレクトの選択は、クエリ効率と応答の重大さに影響し、質的な符号化はセマンティックグロスや手続き的な足場といった、繰り返し発生するハイレベルなメカニズムを識別する。 我々は、検定の感度を示し、設計が反復探索から一発的戦略構築を完全に分離していないことを指摘することによって、絶対天井レベルの攻撃成功率を評価できる。

関連論文リスト

• Inference-Time Steering for Cross-Lingual Factual Consistency in LLMs [51.56484100374058]
  大規模言語モデル(LLM)は目覚ましい多言語流布を示すが、その内部知識表現はハイリソース言語に対して不均等に偏っている。 我々は,これらのバイアスを推論時に緩和できるかどうかを考察し,対象言語でクエリされたかのように,英語の確率モデルに答えるように強制する。 Gemma 3 12Bの実験では、最も強い全体的な介入、効率性のバランス、安全性、ドメイン外の一般化を促すペルソナが明らかにされている。
  論文  参考訳（メタデータ） (2026-07-21T16:15:05Z)
• DiaLLM: An Investigation into the Robustness-Generation Gap in English Dialect Adaptation [20.845447775728545]
  大型の言語モデルは、方言の英語を理解しやすくするが、それでも標準のアメリカ英語のみを生産する。 我々は、国際英語コーパスにおいて、3つのオープンウェイト言語モデルファミリーを継続的に事前訓練するtextbfDiaLLMを紹介した。
  論文  参考訳（メタデータ） (2026-07-08T17:24:27Z)
• From Script to Semantics: Prompting Strategies for African NLI [1.0705399532413615]
  本稿では,スワヒリ,ヨルバ,ハウサにおける自然言語推論(NLI)の促進戦略の体系的研究について述べる。 私たちはBaseline(ゼロショット)、Script-Aware、Language Specific、Contrastive、NL-STP(Native-Label Self-Translation)の5つのプロンプト戦略を評価する。 いくつかの構成では、中性なクラス崩壊と高い予測スキューを伴う戦略間で、クラスワイズの性能に有意な差が認められる。
  論文  参考訳（メタデータ） (2026-06-02T08:20:10Z)
• Agentic Adversarial Rewriting Exposes Architectural Vulnerabilities in Black-Box NLP Pipelines [34.37967130277969]
  本稿では,意味摂動空間で動作する2エージェント回避フレームワークを提案する。 現代大言語モデル(LLM)ベースのシステムでは、普及率は19.95から40.34%である。 パターンインフォームド・ディフェンスは回避率を65.18%まで下げる。
  論文  参考訳（メタデータ） (2026-04-26T00:58:36Z)
• Nationality encoding in language model hidden states: Probing culturally differentiated representations in persona-conditioned academic text [4.0057643036291815]
  本研究では, Gemma-3-4b-itが学術テキストを生成する際に, 隠れ状態の国籍識別情報を符号化するかどうかを検証した。 270のテキストのコーパスが45のプロンプトテンプレートから生成され、2×3の設計で6つのペルソナ条件が交わった。 発見は、探索手法を社会言語学的属性に拡張し、EAPと言語教育に実践的な意味を持つ。
  論文  参考訳（メタデータ） (2026-04-11T10:52:05Z)
• Mitigating Cross-Lingual Cultural Inconsistencies in LLMs via Consensus-Driven Preference Optimisation [58.01855677487771]
  本研究では,多言語大言語モデル (MLLM) が,プロンプトの言語変化に伴う不整合性を示すことを示す。 コンセンサス駆動型アライメントフレームワークであるC-3POを提案する。 C-3POは、非整合モデルよりも0.10ポイントの$_S$を絶対的に増加させ、強力なプロンプトと表現のステアリングベースラインを上回る。
  論文  参考訳（メタデータ） (2026-04-02T14:04:06Z)
• Locally Differentially Private Document Generation Using Zero Shot Prompting [61.20953109732442]
  本稿では,DP-Prompt と呼ばれる局所的に異なるプライベートなメカニズムを提案し,作者の匿名化攻撃に対処する。 DP-PromptをChatGPT(gpt-3.5)のような強力な言語モデルで使用すると、匿名化攻撃の成功率の顕著な低下が観察される。
  論文  参考訳（メタデータ） (2023-10-24T18:25:13Z)
• SimOAP: Improve Coherence and Consistency in Persona-based Dialogue Generation via Over-sampling and Post-evaluation [54.66399120084227]
  大規模コーパスで訓練された言語モデルは、オープンドメイン対話において驚くほど流動的な結果を生み出すことができる。 ペルソナに基づく対話生成タスクでは、一貫性と一貫性が言語モデルにとって大きな課題である。 オーバーサンプリングとポスト評価という2段階のSimOAP戦略が提案されている。
  論文  参考訳（メタデータ） (2023-05-18T17:23:00Z)
• Towards Variable-Length Textual Adversarial Attacks [68.27995111870712]
  データの離散性のため、自然言語処理タスクに対してテキストによる敵意攻撃を行うことは非自明である。 本稿では,可変長テキスト対比攻撃(VL-Attack)を提案する。 本手法は、iwslt14ドイツ語英訳で3,18$ bleuスコアを達成でき、ベースラインモデルより1.47$改善できる。
  論文  参考訳（メタデータ） (2021-04-16T14:37:27Z)
• Generating Natural Language Attacks in a Hard Label Black Box Setting [3.52359746858894]
  我々は、ハードラベルブラックボックス設定で自然言語処理モデルを攻撃する重要かつ困難なタスクを研究します。 本研究では, テキスト分類と関連タスクにおいて, 質の高い対比例を作成する意思決定に基づく攻撃戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-29T22:01:38Z)

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。