Computation and Language,Artificial Intelligence,Cryptography and Security,Machine Learning,محاسبات و زبان , هوش مصنوعی , رمزنگاری و امنیت , یادگیری ماشین ,
توضیحات
Submitted 5 September, 2024; originally announced September 2024. , Comments: 20 pages, 7 tables, 13 figures, under consideration for EMNLP , ACM Class: I.2.7; K.6.5
توضیحات به فارسی
ارسال شده در 5 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد ، نظرات: 20 صفحه ، 7 جدول ، 13 شکل ، در نظر گرفته شده برای EMNLP ، کلاس ACM: I.2.7 ؛K.6.5
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
With the emergence of widely available powerful LLMs, disinformation generated by large Language Models (LLMs) has become a major concern. Historically, LLM detectors have been touted as a solution, but their effectiveness in the real world is still to be proven. In this paper, we focus on an important setting in information operations -- short news-like posts generated by moderately sophisticated attackers. We demonstrate that existing LLM detectors, whether zero-shot or purpose-trained, are not ready for real-world use in that setting. All tested zero-shot detectors perform inconsistently with prior benchmarks and are highly vulnerable to sampling temperature increase, a trivial attack absent from recent benchmarks. A purpose-trained detector generalizing across LLMs and unseen attacks can be developed, but it fails to generalize to new human-written texts. We argue that the former indicates domain-specific benchmarking is needed, while the latter suggests a trade-off between the adversarial evasion resilience and overfitting to the reference human text, with both needing evaluation in benchmarks and currently absent. We believe this suggests a re-consideration of current LLM detector benchmarking approaches and provides a dynamically extensible benchmark to allow it (https://github.com/Reliable-Information-Lab-HEVS/dynamic_llm_detector_benchmark).
چکیده به فارسی (ترجمه ماشینی)
با ظهور LLM های قدرتمند بسیار قدرتمند ، اطلاعاتی ایجاد شده توسط مدلهای بزرگ زبان (LLMS) به یک نگرانی عمده تبدیل شده است.از نظر تاریخی ، ردیاب های LLM به عنوان یک راه حل مورد حمایت قرار گرفته اند ، اما اثربخشی آنها در دنیای واقعی هنوز اثبات نشده است.در این مقاله ، ما بر روی یک تنظیم مهم در عملیات اطلاعاتی تمرکز می کنیم-پست های خبری کوتاه مانند که توسط مهاجمان نسبتاً پیشرفته تولید می شود.ما نشان می دهیم که ردیاب های LLM موجود ، اعم از صفر-شات یا آموزش داده شده ، برای استفاده در دنیای واقعی در آن تنظیم آماده نیستند.تمام ردیاب های تست شده صفر با معیارهای قبلی متناقض عمل می کنند و در برابر افزایش دمای نمونه برداری بسیار آسیب پذیر هستند ، یک حمله بی اهمیت که از معیارهای اخیر وجود ندارد.یک ردیاب آموزش دیده با هدف که در سراسر LLM ها و حملات غیب عمومی که می تواند ایجاد شود ، قابل توسعه است ، اما نتوانسته است متون جدید نوشته شده انسان را تعمیم دهد.ما استدلال می کنیم که اولی نشان می دهد که معیار خاص دامنه مورد نیاز است ، در حالی که دومی پیشنهاد می کند که بین انعطاف پذیری فرار مخالف و بیش از حد به متن مرجع انسانی ، با هر دو ارزیابی در معیارها و در حال حاضر وجود داشته باشد.ما معتقدیم که این نشان می دهد که دوباره به بررسی مجدد رویکردهای معیار آشکارساز LLM فعلی می پردازیم و یک معیار قابل توسعه به صورت پویا را فراهم می کند تا به آن اجازه دهد (https://github.com/relibility-information-labs/dynamic_llm_detector_benchmark).
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
