本研究探讨了基准数据污染对大规模语言模型评估的影响，并系统性检验了现有缓解策略的有效性。结果表明，现有策略未能显著提高抵御污染的能力，强调了设计更有效缓解策略的必要性。

本研究针对医学大型视觉语言模型（Med-LVLMs）生成幻觉的问题，提出了MedHEval基准，评估幻觉的三种根本原因及其缓解策略。结果表明，现有策略效果有限，需要改进训练以提升模型的可靠性。

本研究探讨了大型语言模型（LLMs）在隐私泄露、幻觉输出和价值失调等方面的内在风险及其恶意使用现象。论文提供了一个统一框架，综述了针对这些问题的缓解策略，涵盖数据收集、预训练、微调、推理及后处理的最新进展，旨在提升LLMs在隐私保护和减少幻觉等方面的表现。

本研究探讨了文本基础联系方式中的沉默放弃现象，指出客户未通知离开会浪费代理的时间和资源。通过模型分析，揭示了这一现象对代理效率和系统容量的负面影响，并提出了提高客户耐心和降低放弃率的缓解策略。

本研究探讨了大型语言模型（LLM）在缺乏标签反馈时的自我修正机制，发现其输出不稳定且存在认知偏差。提出了两种策略以改善模型表现。

本研究探讨了大型语言模型中的锚定偏差，发现初始信息对判断的影响不成比例。实验验证了该偏差及其缓解策略，强调全面收集信息的重要性。

本研究分析了深度学习模型在图像识别中的后门攻击，并评估了现有缓解策略的有效性。通过基准测试16种方法，发现保护效果存在显著差异，并提出了未来改进防御机制的方向。

研究探讨了大型多模态模型在语言、视觉和音频中出现幻觉的问题，限制了实际应用。提出“多模态的诅咒”基准，分析原因，强调跨模态学习中平衡与缓解策略的重要性。通过对比学习等方法减少幻觉，提高性能，并提出评估和缓解策略，如CrossCheckGPT和Hallu-PI，旨在解决多模态模型中的幻觉问题。

研究发现，大型语言模型在指令微调后，其输入上下文依赖性会先增加后减少。这一现象被称为“上下文参数反演”。文章分析了原因并提出缓解策略。

本文提出了一个框架来评估客户隐私泄漏攻击，发现攻击者可以通过分析本地训练参数重构私有数据。研究分析了联邦学习中超参数和攻击算法对攻击效果的影响，并评估了不同梯度压缩比下的攻击有效性，最后提供了一些缓解策略来应对隐私泄漏威胁。

通过实证研究，提出了新的语义保持算法来创建多语言越狱数据集，并评估了开源和商业语言模型，实施了缓解方法。研究发现，缓解策略显著增强了模型的防御能力，降低了攻击成功率96.2%。这项研究为理解和缓解多语言越狱攻击提供了见解。

美国土安全部发布了关于缓解AI风险的安全指引，强调风险管理是持续过程，提供具体缓解策略和与NIST AI RMF的对照映射。

本文通过对182篇同行评议的出版物进行初步范围审查，评估了深度伪造的文献。讨论了深度伪造在高等教育中的风险和缓解策略，以及教学和学习的用途。提出了一个研究议程以构建一个全面的深度伪造教育研究方法。

研究发现，关系分类器在去除连接词后训练的表现不佳的原因是标签偏移。为了解决这个问题，提出了两种缓解标签偏移的策略。实验结果表明，使用这些策略训练的分类器优于基线模型。

本文提出了一种综合分类方法，分析了大型语言模型系统的关键模块和潜在风险，并讨论了缓解策略。同时回顾了流行基准以促进负责任的系统构建。

本研究使用大型语言模型评估了九种代码生成模型，发现其中代码函数存在偏差的比例在31.45%到79.93%之间，受到偏差影响的代码函数比例在9.68%到37.37%之间。为减轻偏差，提出了三种缓解策略，成功将偏差代码比例降低到0.4%到4.57%。