大模型对齐与安全

Privacy and Safety Experiences and Concerns of U.S. Women Using Generative AI for Seeking Sexual and Reproductive Health Information

美国女性使用生成式AI寻求性与生殖健康信息的隐私和安全经验与担忧

Ina Kaleva, Xiao Zhan, Ruba Abu-Salma, Jose Such

机构 * King's College London London United Kingdom ； VRAIN, Universitat Politècnica de València \& University of Cambridge Valencia Spain Cambridge United Kingdom ； King's College London ； VRAIN, Universitat Politècnica de València \& University of Cambridge 纠错

专题命中 隐私与版权 ：safety(title,abstract)；分类 cs.AI

AI总结 研究探讨了美国女性使用生成式AI获取性与生殖健康信息时的隐私和安全问题，发现用户面临数据收集、政府监控等风险，提出针对性设计和政策建议。

Comments 21 pages, 2 tables, CHI conference on Human Factors in Computing Systems

Bodhi VLM: Privacy-Alignment Modeling for Hierarchical Visual Representations in Vision Backbones and VLM Encoders via Bottom-Up and Top-Down Feature Search

Bodhi VLM：通过自上而下和自下而上的特征搜索实现视觉主干和VLM编码器中层次视觉表示的隐私对齐建模

Bo Ma, Wei Qi Yan, Jinsong Wu

机构 * Auckland University of Technology（奥克兰技术大学） ； Resideo Technologies, Inc.（Resideo技术公司） ； Guilin University of Electronic Technology（桂林电子科技大学） ； Universidad de Chile（智利大学） 纠错

专题命中 隐私与版权 ：alignment(title,abstract)

AI总结 本文提出Bodhi VLM框架，通过NCP和MDAV聚类将敏感概念与分层神经表示的层间分组关联，并利用自上而下和自下而上的策略定位敏感特征区域，结合EMPA模块生成可解释的隐私预算对齐信号，验证了在目标检测和VLM视觉编码器中的有效性。

Stable Forgetting: Bounded Parameter-Efficient Unlearning in Foundation Models

稳定遗忘：基础模型中的有界参数高效反遗忘

Arpit Garg, Hemanth Saratchandran, Ravi Garg, Simon Lucey

机构 * Australian Institute for Machine Learning (AIML)（澳大利亚机器学习研究院） 纠错

专题命中 隐私与版权 ：safety(abstract)；分类 cs.AI、cs.LG

AI总结 本文提出稳定反遗忘方法，通过限制MLP适配器的权重动态，解决基础模型中反遗忘的不稳定问题，并在多个基准测试中验证其有效性。

Comments In Submission

Federated Multi Agent Deep Learning and Neural Networks for Advanced Distributed Sensing in Wireless Networks

联邦多智能体深度学习与神经网络用于无线网络中的高级分布式传感

Nadine Muller, Stefano DeRosa, Su Zhang, Chun Lee Huan

机构 * Faculty of Information Technology and Electrical Engineering, University of Oulu（信息科技与电气工程学院，奥卢大学） 纠错

专题命中 隐私与版权 ：safety(abstract)；分类 cs.LG

AI总结 本文综述了多智能体深度学习在分布式传感和无线通信中的应用，涵盖学习框架、神经网络架构、高级技术及应用领域，分析了算法、训练拓扑及系统级权衡，并指出未来6G中的开放问题和研究方向。