論文の概要: Is Refusal Direction Universal across Low-Resourced Languages?

• arxiv url: http://arxiv.org/abs/2610.28897v1
• Date: Tue, 20 Oct 2026 20:19:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.140126
• Title: Is Refusal Direction Universal across Low-Resourced Languages?
• Title（参考訳）: 低リソース言語にまたがる拒絶方向は普遍的か?
• Abstract要約: 拒絶方向は、安全に整合した言語間でほぼ完全な効率で言語間移動することが示されている。 真の低リソース言語として評価されているのはYorubaのみである。 PolyRefuseを3つの低リソース言語(Belarusian、Bashkir、Tajik)に拡張し、Qwen2.5-14B-Instructのパイプライン(Wang et al., 2025)を複製します。
• 参考スコア（独自算出の注目度）: 1.2449313419096824
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Refusal directions have been shown to transfer cross-lingually with near-perfect effectiveness across safety-aligned languages (Wang et al., 2025), reportedly regardless of resource level. However, the only truly low-resourced language evaluated is Yoruba, which is strongly misaligned and shows limited transfer, leaving open how refusal directions behave for other low-resourced languages. We extend PolyRefuse to three additional low-resourced languages (Belarusian, Bashkir, and Tajik) and replicate the pipeline of (Wang et al., 2025) on Qwen2.5-14B-Instruct. We find that universality is graded rather than binary: directions from safety-aligned and partially-aligned languages transfer broadly, while those from strongly misaligned languages fail to reliably modulate refusal behavior on any target tested, including other misaligned languages, once ceiling effects are accounted for. Geometric alignment and behavioral transfer are further shown to be partially dissociated. These findings complicate the universality claim and suggest that users of the least-resourced, most strongly misaligned languages may face weaker safety guarantees.
• Abstract（参考訳）: 拒否方向は、リソースレベルに関わらず、安全に整合した言語(Wang et al , 2025)間で、ほぼ完全な効率で言語間移動することが示されている。 しかし、本当に低リソース言語として評価されているのはYorubaのみであり、これは強いミスアライメントを持ち、転送が制限されているため、他の低リソース言語に対して、リフレクションがどのように振る舞うかをオープンにしている。 PolyRefuseを3つの低リソース言語(Belarusian、Bashkir、Tajik)に拡張し、Qwen2.5-14B-Instructのパイプライン(Wang et al , 2025)を複製します。 安全性と部分整合言語からの指示は広く伝達されるが、強い不整合言語からの指示は、天井効果が考慮されれば、他の不整合言語を含むテスト対象言語の拒絶動作を確実に調整することができない。 幾何学的アライメントと行動伝達はさらに部分的に分離されていることが示されている。 これらの発見は、普遍性の主張を複雑にし、最もリソースの少ない、最も不整合の強い言語の利用者が、より弱い安全保証に直面している可能性があることを示唆している。

関連論文リスト

• Beyond Cross-Lingual Transfer: Benchmarking Propagation Boundaries in Multilingual LLM Unlearning [80.05116806217397]
  大言語モデル(LLM)のアンラーニングは、汎用性を保ちながら、目標とする知識を抑えることを目的としている。 CLLPU(Cross-Lingual and Language-Bound Protocol for LLM Unlearning)は,この問題を2つの設定で定式化する多言語ベンチマークである。 目標とする知識がすべての言語で抑制されるべき共通目標の忘れ、言語条件の忘れ、抑圧は指定された言語に限定されるべきである。
  論文  参考訳（メタデータ） (2026-09-05T08:26:15Z)
• BabelSteering: Multilingual Safety Alignment via English Steering Vectors [11.019536451878162]
  我々は、英語のような高リソース言語から学んだ安全信号が、多言語安全性を向上させることができるかどうかを検討する。 本稿では,軽量な推論時間介入として機能するアクティベーションステアリング手法であるBabelSteeringを提案する。 結果から,BabelSteeringは言語間の有害な要求の拒絶を増大させることがわかった。
  論文  参考訳（メタデータ） (2026-08-17T13:40:16Z)
• The Illusion of Cross-Lingual Safety in Low-Resource Languages [7.471112976694495]
  大規模言語モデル (LLM) における安全性の整合性は、多言語設定にまたがって一般化されることを前提として、主に英語で開発されている。 文化的な局所的なプロンプトとリテラル翻訳を組み合わせた新しい安全データセットであるLoDNAを用いて,アフリカ4言語(Twi,Hausa,Amharic,Swahili)の言語間安全トランスファーを調査した。 実験の結果, 言語間の安全伝達は極めて限定的であり, 有害なプロンプトはほとんどの言語モデルペアで英語の拒絶信号の10%未満を維持していることがわかった。
  論文  参考訳（メタデータ） (2026-08-11T17:05:26Z)
• Minionese: Comprehensive Benchmark and Mechanistic Study of Multilingual LLM Safety [0.0]
  大規模な言語モデルにおける安全性の整合性は、言語間でも不安定である。 我々は18言語にまたがる多言語ジェイルブレイクベンチマークであるtextscMinioneseを紹介した。 各攻撃タイプは、異なる脆弱性プロファイルを生成する。
  論文  参考訳（メタデータ） (2026-07-11T04:13:42Z)
• Refusal Direction is Universal Across Safety-Aligned Languages [66.64709923081745]
  本稿では,PolyRefuseを用いた14言語にわたる大規模言語モデル(LLM)の拒絶動作について検討する。 英語から抽出されたベクトルは、ほぼ完全な効果で他の言語での拒絶を回避できる。 この伝達性は、埋め込み空間における言語間の拒否ベクトルの並列性に起因し、言語間ジェイルブレイクの背後にあるメカニズムを同定する。
  論文  参考訳（メタデータ） (2025-05-22T21:54:46Z)
• MrGuard: A Multilingual Reasoning Guardrail for Universal LLM Safety [56.77103365251923]
  大規模言語モデル(LLM)は、ジェイルブレイクのような敵の攻撃を受けやすい。 この脆弱性は、多言語セーフティアライメントされたデータが制限される多言語設定で悪化する。 素早い分類のための多言語ガードレールを提案する。
  論文  参考訳（メタデータ） (2025-04-21T17:15:06Z)
• Inducing Language-Agnostic Multilingual Representations [61.97381112847459]
  言語間の表現は、世界中のほとんどの言語でNLP技術が利用可能になる可能性がある。 i) 対象言語のベクトル空間をピボットソース言語に再配置すること、(ii) 言語固有の手段と分散を取り除くこと、(ii) 副産物としての埋め込みの識別性を向上すること、(iii) 形態的制約や文の並べ替えを除去することによって言語間の入力類似性を高めること、の3つのアプローチを検討する。
  論文  参考訳（メタデータ） (2020-08-20T17:58:56Z)
• From Zero to Hero: On the Limitations of Zero-Shot Cross-Lingual Transfer with Multilingual Transformers [62.637055980148816]
  言語モデリングの目的によって事前訓練された多言語トランスフォーマーは、NLPの事実上のデフォルト転送パラダイムとなっている。 膨大な多言語変換器による言語間変換は,リソースリーンシナリオや遠方言語では著しく効果が低いことを示す。
  論文  参考訳（メタデータ） (2020-05-01T22:04:58Z)

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。