論文の概要: Probe Choice Changes Canary-Memorization Verdicts: Three Post-Hoc Disagreement Case Studies in a Text-Dominant LoRA-Tuned Autoregressive Testbed

• arxiv url: http://arxiv.org/abs/2606.31168v1
• Date: Tue, 30 Jun 2026 05:58:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-01 18:27:19.09021
• Title: Probe Choice Changes Canary-Memorization Verdicts: Three Post-Hoc Disagreement Case Studies in a Text-Dominant LoRA-Tuned Autoregressive Testbed
• Title（参考訳）: Probe Choice Change Canary-Memorization Verdicts: Three-Hoc Disagreement Case Study in a Text-Dominant LoRA-Tuned Autoregressive Testbed
• Abstract要約: 我々はQwen2.5-VL-7Bカナリアテストベッド上で,固定プレフィックスウィンドウデコイNLLプローブ(K)を検査した。 フルスパンシークレット NLL やgreedy exact-recall と一致しない,ホック後の3例を報告します。
• 参考スコア（独自算出の注目度）: 0.30586855806896046
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We audit a fixed prefix-window mean-NLL memorization probe (K=20) on a Qwen2.5-VL-7B canary testbed and report three post-hoc cases where it disagrees with full-span secret NLL or greedy exact-recall. C3 (false negative, window truncation): damage lands on hex tokens outside K=20; the probe stays flat while hit@1 drops. C4 (false positive, non-secret drift): the probe moves, but approximately 99% sits on non-secret preamble; the secret span and hit@1 are unchanged. C5 (ambiguous in-window drop): the probe falls on an undertrained baseline while full-span hex is positive and hit@1=0. Recommendation: report (i) full-span secret NLL, (ii) a span-localised decomposition, (iii) behavioural exact-recall at k>=4, and (iv) decoy probes before asserting secret-specificity. Evidence is on controlled canaries in one backbone; magnitudes are testbed-specific.
• Abstract（参考訳）: 我々はQwen2.5-VL-7Bカナリアテストベッド上で,固定プレフィックスウィンドウ平均NLL記憶プローブ(K=20)を検査し,フルスパンシークレットNLLと一致しない3症例を報告する。 C3 (false negative, window truncation): K=20の外のヘックストークンに損傷を与える。 C4 (偽陽性、非シークレットドリフト): プローブは動くが、約99%は非シークレットプリアンブル上にあり、シークレットスパンとhit@1は変わらない。 C5 (ambiguous in-window drop): プローブはトレーニングされていないベースラインに落下するが、フルスパンヘックスは陽性で hit@1=0 である。 勧告:報告 (i)完全スパンシークレットNLL (ii)スパン局在分解 (iii) k>=4の動作の正確なリコール (iv)シークレット特異性を主張する前に、デコイプローブ。 証拠は1つのバックボーンで制御されたカナリアにあり、大きさはテストベッド固有のものである。

関連論文リスト

• Privacy Failure in Split-LLM Training, The Returned Gradient Nullifies the Decoys [0.0]
  本稿では、2ノードスプリットLLMトレーニングシステムについて,可観測チャネルを未試験のまま残しながらプライバシ評価をパスしたシステムセキュリティケーススタディを提案する。 我々は、事前に固定されたプロトコルを用いて測定する: 既知の強度でインジェクトされ、楽器がそれを見ることができることを証明するリーク、不在なリークを報告しないことを示すシャッフルラベル制御、そして実行前に設定された閾値。 9つのシードにまたがって、ゼロは各フレームの実際の行を識別し、1ラン当たり4,096行の4,096行を攻撃した。
  論文  参考訳（メタデータ） (2026-09-03T18:43:24Z)
• Lagged Coupling: Internal Representations Become Readable Before They Become Causal [0.0]
  内部可読性は因果効果を体系的に上回り、ラグはスケールとともに縮小しない。 予め登録されたOLMo-2複製は、減衰した大きさで方向を保存する。
  論文  参考訳（メタデータ） (2026-09-01T10:46:42Z)
• The Refusal Residue: When Probes Catch Alignment Faking and When They Don't [0.0]
  調整フェイクは、監視中にモデルが準拠しているように見えるため、監視されていないときに明らかになる振る舞いを保存するため、危険である。 そして、偽造した2つのモデルの隠れた状態を調査し、ステアリングします。
  論文  参考訳（メタデータ） (2026-07-15T00:11:42Z)
• From CVE to CWE: Syscall-Based HIDS Generalisation [41.99844472131922]
  運用環境では、ディフェンダーは既知の脆弱性の新たなエクスプロイトを認識する必要がある。 我々は,CWE(Common Weaknession)クラスを共有するCVEの正常な動作に基づいて訓練された一級異常検知器が,同一クラス内の別の未知のCVEに一般化するか否かを実証的に検証した。
  論文  参考訳（メタデータ） (2026-06-21T16:34:39Z)
• Rift: A Conflict Signature for Deception in Language Models [0.0]
  真実を知りながら横たわるモデルは、ELKが行動評価だけでは扱えない中心的なケースである。 このような偽造が、正直な誤りと区別する内部的な署名を残しているかどうかを問う。 偽りのフォワードパスは、競合シグネチャを持つ。2.1-2.3倍の残留ランクを持つ。
  論文  参考訳（メタデータ） (2026-06-15T19:22:02Z)
• Privacy from Symmetry: Orthogonally Equivariant Transformers for LLM Inference [45.663066206650115]
  分割推論はしばしば非現実的であり、機密テキストの推論をサードパーティプロバイダにプッシュする。 我々は、軽量な正規化変更を通じて、正確に$mathrmO(d)$-equivariantであるトランスフォーマー変種であるConjFormerを紹介した。
  論文  参考訳（メタデータ） (2026-06-15T09:31:24Z)
• Quickest Detection of Hallucination Onset: Delay Bounds and Learned CUSUM Statistics [0.0]
  幻覚のオンセット検出は 最も急激な変化検出問題です 因果リカレントラベル装置は、学習インクリメントを伴うCUSUMとして機能する。 低速アラームオンセット検出は困難である。
  論文  参考訳（メタデータ） (2026-06-10T06:10:02Z)
• Now You (Still) See Me: Detecting Evasive Steganographic Payloads in LLMs [52.149036302760386]
  大規模な言語モデルは、プロンプトによって引き起こされるシークレットを、流動的で良心的な出力にエンコードするように微調整することができる。 近年の研究では、内部の活性化から秘密を回収する線形プローブによる検出を提案する。 この防御は体系的に回避できるが,対象とするデータレベルの介入によって検出性が回復可能であることを示す。
  論文  参考訳（メタデータ） (2026-06-08T12:27:11Z)
• Auditing CoT Answer-Hijack Patches: Source-Control Certificates with Type-I Guarantees [0.0]
  Chain-of- Thought (CoT) の回答ハイジャックテンプレートは GSM8K または MATH-500 上で 7B-8B 言語モデルの最終数値を反転させることができる。 クリーンソースパッチの成功は、しばしば、パッチされたアクティベーションが回復したコンテンツを運ぶ証拠として読まれる。 我々は,各候補パッチを事前登録されたType-I保証付きソース制御証明書に変換する監査を構築する。
  論文  参考訳（メタデータ） (2026-06-03T10:49:43Z)
• Right Makes Might: Aligning Verified Hidden States Empowers RL Reasoning [55.264863369127774]
  現在の方法では、それぞれの正しいロールアウトを単一の報酬ビットに減らし、隠れた状態間で共有される幾何学的構造を無視している。 本稿では,RLトレーニングにおけるアンカートークンにおける正ロールアウトの最終層を,トレーニングと推論の両方においてゼロオーバーヘッドで整列する補助損失関数Hidden-Alignを提案する。 8つの数学的推論ベンチマークでは、Hidden-AlignはDAPOベースラインの平均パス@1をQwen3-1.7B, 4B, 14Bで3.8, 6.2, 5.4ポイント改善し、3つのスケールで一貫したパス@kゲインを得る。
  論文  参考訳（メタデータ） (2026-06-02T06:51:15Z)
• The Chain Holds, the Answer Folds: Trace-Answer Dissociation in Reasoning Models Under Adversarial Pressure [8.86745721473138]
  推論モデルはシングルターンベンチマークで評価されるが、マルチターンダイアログにデプロイされる。 われわれはこの不信な降伏(UC)を2ドル(約2万2000円)のラテント・ヴァース・ビヘイビア・フレームワークで分離し、指標のフリップレートとシングルターンプローブの両方を見逃す。
  論文  参考訳（メタデータ） (2026-05-27T20:41:08Z)
• The Extrapolation Cliff in On-Policy Distillation of Near-Deterministic Structured Outputs [52.709361620508595]
  ListOPDは、パラメータの5分の1で8B-SFTベースラインで、学生をドメイン内に持ち込む。 Amazon Fashionでは、3つの事前登録テスト — 細粒度崖間隔テスト、小さなクリップのクロス予測 — がロックされた予測ウィンドウ内に落下し、グリッド解像度以下のクローズドフォーム予測に一致する小さなクリップ値が設定されている。
  論文  参考訳（メタデータ） (2026-05-09T06:48:00Z)
• Rethinking Dense Sequential Chains: Reasoning Language Models Can Extract Answers from Sparse, Order-Shuffling Chain-of-Thoughts [51.84894623128418]
  現代の推論言語モデルは、すべてのトークンが寄与し、ステップを順番に消費しなければならないと暗黙的に仮定して、シーケンシャルな連鎖トレースを生成する。 我々は、モデル生成推論連鎖に適用した、系統的な介入パイプライン、除去、マスキング、シャッフル、ノイズ注入により、両方の仮定に挑戦する。 解答抽出は, スパース, 秩序不感, 構造的に堅牢な情報基板上で行う。
  論文  参考訳（メタデータ） (2026-05-08T06:15:50Z)
• Disposition Distillation at Small Scale: A Three-Arc Negative Result [0.0]
  内部ドラフトでは、Qwen3-0.6Bの学生に+33.9ポイントのMCASと+15.3ポイントのHumanEvalを報告している。 コンテントを損なうことなく, 判断された配置をスタイル的な模倣に転換するオペレータは見つからない。 我々は, 線形H_lastプローブに対する3つのアーク負の結果, 線形H_lastプローブに対する2つの欠陥モード分類, および, 自分たちが生成した偽陽性のクラスを, 公開可能な負に変換する正直なファルシフィケーションパイプラインを寄与する。
  論文  参考訳（メタデータ） (2026-04-13T17:40:31Z)
• Capture-Quiet Decomposition: A Verification Theorem for Chess Endgame Tablebases [51.56484100374058]
  チェス・エンドゲーム・テーブルベースにおけるWin-Draw-Lossラベルの検証のためのCapture-Quiet Decomposition(CQD)を提案する。 この定理は、すべての法的位置を、終端、捕捉、静かの3つのカテゴリのうちの1つに分解する。 CQDは35の3ピースと4ピースのエンドゲーム(2200万ポジション)、110の5ピースのエンドゲーム、72の6ピースのエンドゲーム(合計517のエンドゲーム)で徹底的に検証します。
  論文  参考訳（メタデータ） (2026-04-09T07:22:24Z)
• Impact of Labeling Inaccuracy and Image Noise on Tooth Segmentation in Panoramic Radiographs using Federated, Centralized and Local Learning [46.232038247686745]
  フェデレートラーニング(FL)は、歯科診断AIにおけるプライバシー制約、不均一なデータ品質、一貫性のないラベル付けを緩和する。 複数のデータ破損シナリオを対象としたパノラマX線撮影において,FLと集中学習(CL)と局所学習(LL)を比較した。
  論文  参考訳（メタデータ） (2025-09-08T11:07:47Z)
• Improved techniques for deterministic l2 robustness [63.34032156196848]
  畳み込みニューラルネットワーク(CNN)を$l_2$ノルムの下で厳密な1-Lipschitz制約で訓練することは、対向的堅牢性、解釈可能な勾配、安定した訓練に有用である。 我々は,最後の線形層を1重層に置き換えることで,1-Lipschitz CNNのロバスト性を証明する手法を提案する。 我々は,CIFAR-10およびCIFAR-100における標準および証明可能な堅牢な精度の最先端化を図る。
  論文  参考訳（メタデータ） (2022-11-15T19:10:12Z)

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。