arXiv · NLP· Yanxi Li, Ruocheng Shan·· 2026-10-14AI 评分24
LDD 标签伪装防御:缓解 LLM 情感分类中的提示注入攻击
Semantics as a Shield: Label Disguise Defense (LDD) against Prompt Injection in LLM Sentiment Classification
AI 导读
标签伪装防御(LDD)通过替换情感分类器输出标签(如 good/bad 或 cat/dog)应对提示注入攻击,实验显示仅 3 种配置优于基线。 研究基于 200 条 IMDb 评论、9 种模型配置及 8 种替代标签对,发现情感相关标签虽优于其他非情感标签,但未一致超越原始标签基线。
来源:arXiv · NLP · arxiv.org