arXiv · NLP· Sarim Hashmi, Mukul Ranjan, Abdelrahman Elsayed, Muhammad Umer Sheikh, Fahad Shamshad, Nils Lukas·· 2026-10-06AI 评分20
掩码扩散语言模型中的定向偏见注入:基于闭环激活引导的攻击
Noise Out, Bias In: Targeted Bias Injection in Diffusion Language Models via Closed-Loop Activation Steering
AI 导读
summary_zh: 研究者利用闭环激活引导在掩码扩散语言模型中实施定向偏见注入,在模糊 BBQ 问题上将 LLaDA-8B-Instruct 对目标群体的偏好从 1.8 提升至 16.7 个百分点,超出最强固定强度基线三倍。
来源:arXiv · NLP · arxiv.org