Tripwire: 통계적 검증 기반 안전 뉴런과 트리거형 억제를 통한 LLM 탈옥 방어 아키텍처
📌 핵심 요약 (Key Takeaways) 핵심 성과 1: 4개 안전 정렬 LLM 및 대표적 탈옥 공격 대상 실험에서 평균 공격 성공률(ASR)을 최대 2.0% 이하로 감축하면서 MT-Bench 기준 유틸리티 저하를 0.5%~5.3% 수준으로 최소화. 독창적 차별점 2: 거짓 발견율(FDR) 통제 기반 가설 검정 및 유틸리티-특이성 필터를 통해 훈련 과정 없이 통계적으로 안전 뉴런을 식별하고, 트리거형 클램프(Trigger-style clamp) … 더 읽기