論文の概要: Prompt2Fingerprint: Plug-and-Play LLM Fingerprinting via Text-to-Weight Generation

• arxiv url: http://arxiv.org/abs/2605.18474v2
• Date: Tue, 19 May 2026 08:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-20 15:03:08.579337
• Title: Prompt2Fingerprint: Plug-and-Play LLM Fingerprinting via Text-to-Weight Generation
• Title（参考訳）: Prompt2Fingerprint:テキスト・ツー・ウェイト・ジェネレーションによるプラグ・アンド・プレイLLMフィンガープリント
• Authors: Sixu Chen, Xiang Chen, Hongyao Yu, Jiaxin Hong, Hao Fang, Shuoyang Sun, Bin Chen, Shu-Tao Xia,
• Abstract要約: 本稿では,指紋認証を条件パラメータ生成タスクとして再構成するフレームワークであるPrompt2Fingerprintを提案する。 特殊なジェネレータを利用することで、P2Fはテキスト記述を直接低ランクパラメータインクリメントにマッピングする。 実験の結果,P2Fは高い指紋精度,無害性,堅牢性を保ちながら,計算オーバーヘッドを著しく低減することがわかった。
• 参考スコア（独自算出の注目度）: 46.76055970078189
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread deployment and redistribution of large language models (LLMs) have made model provenance tracking a critical challenge. While existing LLM fingerprinting methods, particularly active approaches that embed identity signals via fine-tuning, achieve high accuracy and robustness, they suffer from significant scalability bottlenecks. These methods typically treat fingerprint injection as an independent, one-off optimization task rather than a reusable capability, necessitating separate, resource-intensive training for every new identity. This incurs prohibitive computational costs and deployment delays. To address this, we propose Prompt2Fingerprint (P2F), the first framework that reformulates fingerprinting as a conditional parameter generation task. By leveraging a specialized generator, P2F maps textual descriptions directly to low-rank parameter increments in a single forward pass, enabling plug-and-play LLM fingerprint injection without further model retraining. Our experiments demonstrate that P2F maintains high fingerprint accuracy, harmlessness, and robustness while significantly reducing computational overhead, offering a scalable and instant solution for LLM ownership management.
• Abstract（参考訳）: 大規模言語モデル(LLM)の広範な展開と再配布により、モデル証明追跡が重要な課題となっている。 既存のLCMフィンガープリント手法、特に微調整によってアイデンティティ信号を埋め込むアクティブなアプローチは、高い精度とロバスト性を達成するが、それらは大きなスケーラビリティのボトルネックに悩まされている。 これらの方法は、通常、指紋注入を再利用可能な機能ではなく、独立したワンオフ最適化タスクとして扱う。 これにより計算コストとデプロイメントの遅延が禁止される。 そこで本研究では,指紋認証を条件パラメータ生成タスクとして再構成する最初のフレームワークであるPrompt2Fingerprint (P2F)を提案する。 特殊なジェネレータを利用することで、P2Fはテキスト記述を単一のフォワードパスの低ランクパラメータインクリメントに直接マッピングし、さらなるモデルの再トレーニングなしにLLMフィンガーインジェクションのプラグアンドプレイを可能にする。 実験の結果,P2Fは高い指紋精度,無害性,堅牢性を保ちながら,計算オーバーヘッドを著しく低減し,LLMオーナシップ管理のスケーラブルで迅速なソリューションを提供することがわかった。

関連論文リスト

• Fingerprinting LLMs via Prompt Injection [16.907123772391213]
  大規模言語モデル(LLM)は、後処理や量子化といった後処理によって、リリース後にしばしば修正される。 既存のプロファイランス検出手法には,(1)リリース前のベースモデルにシグナルを埋め込む,(2)手作りのプロンプトやランダムなプロンプトを用いたモデル間の出力を比較する,という2つの制限がある。 我々はLLMPrintを提案する。LLMPrintはLDM固有の脆弱性を利用して指紋を検知する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-09-29T19:54:36Z)
• From Injection to Defense: Constructing Edit-Based Fingerprints for Large Language Models [28.393476667026523]
  本稿では,ルールベースの多言語自然言語指紋(MNLF)を組み込んだ知識編集フレームワークRFEditを提案する。 RFEditはFingerprint Subspace-aware Fine-Tuning (FSFT)によって保護されている。
  論文  参考訳（メタデータ） (2025-09-03T08:22:04Z)
• EditMF: Drawing an Invisible Fingerprint for Your Large Language Models [11.691985114214162]
  EditMFはトレーニング不要なフィンガープリントのパラダイムであり、最小の計算オーバーヘッドで非常に受け入れ難いフィンガープリントの埋め込みを実現する。 EditMF は,LoRA ベースの指紋認証をはるかに超越した堅牢性を提供しながら,認識不能なモデルの性能損失と高い認識性を兼ね備えていることを示す。
  論文  参考訳（メタデータ） (2025-08-12T10:52:48Z)
• FPEdit: Robust LLM Fingerprinting through Localized Parameter Editing [24.648168413166673]
  FPEditは、知識編集を利用してセマンティック・コヒーレントな自然言語の指紋を注入する新しいフレームワークである。 FPEditは,全パラメータの微調整とパラメータ効率の両面において,95-100%の指紋保持を実現する。 FPEditは、30GB未満のGPUメモリを使用して、LLaMA2-7Bに10個の指紋ペアを2分以内で埋め込むことができる。
  論文  参考訳（メタデータ） (2025-08-04T06:00:22Z)
• Instructional Fingerprinting of Large Language Models [57.72356846657551]
  本稿では,非常に軽量なインストラクションチューニングの一形態として,Large Language Model (LLM) の指紋認証に関する実験的検討を行う。 11個の LLM 実験の結果,このアプローチは軽量であり,モデルの正常な挙動には影響しないことがわかった。 また、パブリッシャーの誇張を防ぎ、指紋の推測やパラメータ効率のトレーニングに対する堅牢性を維持し、MITライセンスのような多段階の指紋認証をサポートする。
  論文  参考訳（メタデータ） (2024-01-21T09:51:45Z)
• Do Compressed LLMs Forget Knowledge? An Experimental Study with Practical Implications [63.29358103217275]
  大規模言語モデル(LLM)は、特に知識集約的なタスクにおいて、パフォーマンスを低下させることが多い。 損傷の性質に関する2つの予想を提案する。1つは、圧縮後に忘れられた(または消された)知識である。 Inference-time Dynamic Prompting (IDP)と呼ばれる変種を導入し、推論オーバーヘッドを発生させることなく、迅速な多様性を効果的に向上させることができる。
  論文  参考訳（メタデータ） (2023-10-02T03:12:06Z)
• Compress, Then Prompt: Improving Accuracy-Efficiency Trade-off of LLM Inference with Transferable Prompt [96.24800696597707]
  圧縮モデルにより,このトレードオフを最適化する新たな視点を導入する。 本稿では,圧縮されたモデルを学習プロセスに公開するソフトプロンプト学習法を提案する。 我々のソフトプロンプト戦略は8x圧縮LLaMA-7Bモデルの性能を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2023-05-17T20:45:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。