haebom
Sign In
FlipAttack: Jailbreak LLMs via Flipping
์์ฑ์
Haebom
์นดํ ๊ณ ๋ฆฌ
Empty
์ ์
Yue Liu, Xiaoxin He, Miao Xiong, Jinlan Fu, Shumin Deng, Yingwei Ma, Jiaheng Zhang, Bryan Hooi
๐ก ๊ฐ์
๋ณธ ๋ ผ๋ฌธ์ ๋๊ท๋ชจ ์ธ์ด ๋ชจ๋ธ(LLM)์ ์๋ํ๊ท์ ํน์ฑ์ ํ์ฉํ์ฌ ํ ์คํธ์ ์ผ์ชฝ ๋ถ๋ถ์ ๋ ธ์ด์ฆ๋ฅผ ์ถ๊ฐํจ์ผ๋ก์จ ์ ํดํ ํ๋กฌํํธ๋ฅผ ํ์งํ๊ธฐ ์ด๋ ต๊ฒ ๋ง๋๋ FlipAttack์ด๋ผ๋ ๊ฐ๋จํ๋ฉด์๋ ํจ๊ณผ์ ์ธ ํ์ฅ ๊ณต๊ฒฉ ๋ฐฉ๋ฒ์ ์ ์ํฉ๋๋ค. ์ฐ๊ตฌ์ง์ LLM์ด ํ ์คํธ๋ฅผ ์ผ์ชฝ์์ ์ค๋ฅธ์ชฝ์ผ๋ก ์ดํดํ๋ฉฐ, ์ผ์ชฝ ๋ ธ์ด์ฆ์ ์ทจ์ฝํ๋ค๋ ์ ์ ๋ฐ๊ฒฌํ๊ณ , ์ด๋ฅผ ๋ฐํ์ผ๋ก 4๊ฐ์ง ๋ณํ ๋ชจ๋๋ฅผ ๊ฐ๋ฐํ์ฌ LLM์ด ์ ํดํ ํ๋์ ์ํํ๋๋ก ์ ๋ํฉ๋๋ค. ์ด ๊ณต๊ฒฉ์ ๋จ ํ๋์ ์ฟผ๋ฆฌ๋ง์ผ๋ก๋ ๋ธ๋๋ฐ์ค LLM์ ํ์ฅ์ํฌ ์ ์์ผ๋ฉฐ, GPT-4o์ ๊ฐ์ ์ต์ ๋ชจ๋ธ์์๋ ๋์ ์ฑ๊ณต๋ฅ ์ ๋ณด์ฌ์ค๋๋ค.
๐ ์์ฌ์ ๋ฐ ํ๊ณ
โข
LLM์ ์์ฐจ์ ์ฒ๋ฆฌ ๋ฐฉ์์ ์ทจ์ฝ์ :
FlipAttack์ LLM์ด ํ ์คํธ๋ฅผ ์ผ์ชฝ์์ ์ค๋ฅธ์ชฝ์ผ๋ก ์ฒ๋ฆฌํ๋ ๋ฐฉ์์ ์ด์ ์ ๋ง์ถฐ, ํ ์คํธ ์๋ถ๋ถ์ ๋ฏธ๋ฌํ ๋ ธ์ด์ฆ๋ฅผ ์ฝ์ ํ๋ ๊ฒ๋ง์ผ๋ก๋ ๋ชจ๋ธ์ ๋ฐฉ์ด ๋ฉ์ปค๋์ฆ์ ์ฐํํ ์ ์์์ ๋ณด์ฌ์ค๋๋ค.
โข
ํจ์จ์ ์ด๊ณ ๋ณดํธ์ ์ธ ๊ณต๊ฒฉ ๋ฐฉ๋ฒ:
๋จ ํ ๋ฒ์ ์ฟผ๋ฆฌ๋ง์ผ๋ก ๋์ ์ฑ๊ณต๋ฅ ์ ๋ฌ์ฑํ๋ฉฐ, ์ฌ๋ฌ LLM ๋ชจ๋ธ๊ณผ ๋ค์ํ ๊ฐ๋๋ ์ผ ๋ชจ๋ธ์ ๋ํด ํจ๊ณผ์ ์์ด ์ ์ฆ๋์ด LLM ๋ณด์์ ๋ํ ์ฌ๊ฐํ ์ฐ๋ ค๋ฅผ ์ ๊ธฐํฉ๋๋ค.
โข
๋ฐฉ์ด ๊ธฐ๋ฒ ๊ฐ๋ฐ์ ํ์์ฑ:
ํ์ฌ LLM์ ๊ฐ๋๋ ์ผ ์์คํ ์ด ํ ์คํธ ์๋ถ๋ถ์ ๋ ธ์ด์ฆ์ ์ทจ์ฝํ๋ค๋ ์ ์ด ๋๋ฌ๋ฌ์ผ๋ฉฐ, ์ด์ ๋ํ ์๋ก์ด ๋ฐฉ์ด ๊ธฐ๋ฒ ๊ฐ๋ฐ์ด ์๊ธํ ์๊ตฌ๋ฉ๋๋ค.
PDF ๋ณด๊ธฐ
Made with Slashpage