Learning Safety Constraints for Large Language Models

文章主要内容

本文提出了一种名为SaP（Safety Polytope）的几何框架，用于解决大语言模型（LLM）的安全问题。核心思想是在LLM的表示空间中定义一个凸多面体（Polytope），通过多面体的“面”（Facets）来刻画不同的安全约束，从而实现对不安全输出的检测和纠正。具体包括以下内容：

1. 几何建模：将安全约束建模为LLM表示空间中的凸多面体，每个面代表一个安全约束，通过分类问题学习多面体的参数（超平面和阈值）。
2. 概念编码器（Concept Encoder）：引入非线性变换和稀疏正则化，解耦模型表示中的多义性，使不同面能对应特定的安全语义（如暴力、歧视等）。
3. 表示转向算法（Representation Steering）：在推理阶段动态调整模型的内部激活，将不安全的表示引导回安全区域，避免修改模型权重或重新训练。
4. 实验验证：在Llama2-7B、Ministral-8B、Qwen2-1.5B等模型上测试，显著降低对抗攻击成功率（如Llama2的ASR从12.92%降至0.26%），同时保持任务性能（如MMLU准确率不变）。通过BeaverTails数据集验证了可解释性，发现不同面能特异性检测不同安全类别。

创新点

1. 几何安全框架：首次将LLM安全建模为表示空间中的凸多面体约束，提供了显式的安全区域几何模型，区别于传统的权重修改或提示工程方法。