論文の概要: modelDNA: Calibrated Lineage Verification and Merge Decomposition from Sampled Weight Fingerprints

• arxiv url: http://arxiv.org/abs/2607.10617v1
• Date: Sun, 12 Jul 2026 07:29:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.482099
• Title: modelDNA: Calibrated Lineage Verification and Merge Decomposition from Sampled Weight Fingerprints
• Title（参考訳）: モデルDNA:サンプリングされた重みフィンガープリントからの校正線形検証とマージ分解
• Abstract要約: 本報告では、およそ100～300MBのHTTP読み取りからモデルをフィンガープリントするModelDNAについて説明する。 指紋を4つのシグナルファミリにまたがる基礎モデルの参照データベースと比較する。 AUROC 1.0、報告しきい値でゼロの偽陽性、13/13の正しいトップ1親属性を達成している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The lineage graph of open-weight language models is self-reported: Hugging Face's base_model metadata field is optional and unverified, and over 60% of Hub models document no parentage at all. Methods for detecting lineage from weights exist in the research literature, but each ships as paper code tied to one signal and one experiment; when a provenance dispute breaks, the analysis is redone by hand. This report describes modelDNA, a tool that fingerprints a model from roughly 100-300 MB of ranged HTTP reads (instead of a full 15 GB download for a 7B model), compares the fingerprint against a reference database of foundation models across four published signal families, and returns one of eight verdict classes with a calibrated probability, preferring honest abstention to confident error. On a benchmark of 15 real Hub models with org-documented parentage, judged against 8 candidate bases (13 positives, 107 hard negatives), the system achieves AUROC 1.0, zero false positives at its reporting threshold, and 13/13 correct top-1 parent attribution. The report's second contribution is merge decomposition. Every mainstream weight-merging method is (near-)linear per tensor, and fingerprint sample positions are deterministic functions of tensor identity, so a merged model's fingerprint is the same linear combination of its parents' fingerprints. Mixture weights can therefore be recovered from fingerprints alone by sum-to-one constrained least squares. Against merges with published mergekit configurations as ground truth, the method recovers a slerp merge's layer-interpolation curves at r = 0.999 and a dare_ties merge's mixture weights to within 0.011 of the published values, without downloading any weights beyond the fingerprints. All fingerprints, benchmarks, and the inferred lineage graph of 55 models are public and reproducible offline.
• Abstract（参考訳）: Hugging Faceのbase_modelメタデータフィールドはオプションであり、検証されていない。 研究文献には、重みから系統を検出する方法が存在しているが、各船は1つの信号と1つの実験に結びついている紙コードである。 本報告では,約100～300MBの範囲のHTTP読み込みからモデルをフィンガープリンティングするツールであるModelDNAについて述べる。7Bモデルの完全な15GBのダウンロードではなく,4つのシグナルファミリにまたがる基礎モデルの参照データベースに対して指紋を比較し,正当性を判断した8つの検証クラスのうちの1つを返却する。 AUROC 1.0、報告しきい値での偽陽性ゼロ、13/13の正のトップ1親属性を達成。 レポートの2番目の貢献はマージ分解である。 全ての主流の重み付け法は(テンソル毎の)線形であり、指紋サンプル位置はテンソルアイデンティティの決定論的関数であるため、マージモデルの指紋は両親の指紋と同じ線形結合である。 したがって、混合重量は1対1の制約された最小2乗で指紋のみから回収できる。 公表されたマージキット構成を基本事実とするマージに対して、この方法は、指紋以外の重みをダウンロードすることなく、r = 0.999でスラープマージの層補間曲線とダレ・マージの混合重みを公表された値の0.011以内に復元する。 55モデルのすべての指紋、ベンチマーク、および推論された系統グラフは、公開され、再現可能なオフラインである。

関連論文リスト

• Structured-Prior-Guided Diffusion Inpainting with Physical Consistency for Traffic Sign Augmentation [12.366721313845483]
  汎用塗装モデルは、数字を歪め、幾何学と視点を変形させ、手話領域に直接適用すると色をシフトさせる。 本稿では,物理的整合性を有する構造的事前誘導拡散塗装フレームワークを提案する。 我々は、AMAPで収集した大量の画像に対して自己監督的再構成を行い、公開TT100K-2021データセット上でゼロショットを評価する。
  論文  参考訳（メタデータ） (2026-09-02T09:22:23Z)
• Fingerprinting Text-to-Image Diffusion Models via Collapsed Generation [38.697895774925136]
  崩壊生成は、学習された生成プロセスの本質的でモデルに依存した特性である。 崩壊した世代指紋は、混乱の少ない異なるソースモデルを識別できることを示す。 これらの指紋は、微調整されたデリバティブや、一般的で適応的なモデルやクエリレベルの難読化の下でも検証可能である。
  論文  参考訳（メタデータ） (2026-08-12T07:12:38Z)
• TokenPrint: A Calibrated Token-Space Fingerprint for Language-Model Provenance [8.657685524975246]
  そこで本研究では,250個の固定知識プローブによって抽出された隠れ状態の語彙予測値のトップ$kをベースとした無訓練指紋を提案する。 文書化された関係を持つ9家系(0.6B--32B)のオープンウェイトモデル32種について評価を行った。
  論文  参考訳（メタデータ） (2026-08-08T13:56:39Z)
• One Token Is Enough: Fingerprinting and Verifying Large Language Models from Single-Token Output Distributions [0.0]
  APIアグリゲータ、再販業者、推論プロバイダは、大きな言語モデル(LLM)を使用する。 既存の識別技術には、長いテキスト、トークンレベルのログ確率、反対に作られたプロンプト、またはモデル所有者の協力が必要である。 我々は,LLMの行動指紋を,自明なワンワードプロンプトに対する応答の実証的分布として定義する。
  論文  参考訳（メタデータ） (2026-07-11T10:34:17Z)
• How Far Is Document Parsing from Solved? PureDocBench: A Source-TraceableBenchmark across Clean, Degraded, and Real-World Settings [56.70440596502351]
  昨年は20以上のオープンドキュメントパースモデルが見られたが、ベンチマークはほぼOmniDocBenchにのみ依存している。 HTML/CSSのドキュメントイメージをレンダリングするベンチマークであるPureDocBenchは、10のドメイン、66ページ、1,475ページをカバーしています。
  論文  参考訳（メタデータ） (2026-05-08T09:30:31Z)
• A Behavioral Fingerprint for Large Language Models: Provenance Tracking via Refusal Vectors [43.11304710234668]
  安全アライメントによって引き起こされる行動パターンを活用する新しいフィンガープリントフレームワークを提案する。 76の子孫モデルを対象とした大規模識別タスクにおいて,本手法は正しいモデル群を同定する際の精度を100%向上する。 本稿では,このプライベートフィンガープリントを,公開で検証可能なプライバシー保護アーティファクトに変換するための理論的枠組みを提案する。
  論文  参考訳（メタデータ） (2026-02-10T05:57:35Z)
• AWM: Accurate Weight-Matrix Fingerprint for Large Language Models [44.93519442566325]
  重み行列に基づくトレーニング不要な指紋認証手法を提案する。 線形アサインメント問題(LAP)と不偏中心カーネルアライメント(CKA)の類似性を利用してパラメータ操作の効果を中和する。 本手法は, 上記の6項目すべてに対して, 偽陽性のほぼゼロのリスクを示しながら, 例外的な堅牢性を示す。
  論文  参考訳（メタデータ） (2025-10-08T07:51:11Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• SeedPrints: Fingerprints Can Even Tell Which Seed Your Large Language Model Was Trained From [65.75182441010327]
  我々は,LDMフィンガープリントのより強く,より本質的な概念であるSeedPrintsを提案する。 トレーニングされていないモデルでは,パラメータのみに依存した再現可能なトークン選択バイアスが示される。 LLaMAスタイルとQwenスタイルのモデルの実験では、SeedPrintsはシードレベルの識別性を実現し、バイオメトリック指紋に似た生来からライフサイクルの識別認証を提供する。
  論文  参考訳（メタデータ） (2025-09-30T15:34:08Z)
• MathBode: Understanding LLM Reasoning with Dynamical Systems [0.0]
  大規模言語モデル(LLM)における数学的推論のための動的診断法であるMathBodeを提案する。 一つのパラメータを正弦波に駆動し、モデル出力と正確な解の第一高調波応答に適合する。 5つのクローズドフォームファミリにまたがって、診断面は系統的な低域通過挙動と位相ラグを呈し、精度のみを曖昧にしている。
  論文  参考訳（メタデータ） (2025-09-27T06:06:36Z)
• Model Discovery and Graph Simulation: A Lightweight Gateway to Chaos Engineering [0.0]
  カオスエンジニアリングはレジリエンスのリスクを明らかにしますが、広く頻繁に実行するには高価で運用上のリスクがあります。 我々は、単純な接続のみのトポロジモデルにより、フェールストップフォールトの下で、高速で低リスクなアベイラビリティー推定を行うことができると主張している。
  論文  参考訳（メタデータ） (2025-06-12T10:59:28Z)
• MergePrint: Merge-Resistant Fingerprints for Robust Black-box Ownership Verification of Large Language Models [1.9249287163937978]
  モデルマージを継続することのできる頑健な指紋を埋め込むための新しいフィンガープリント手法であるMergePrintを提案する。 MergePrintはブラックボックスのオーナシップの検証を可能にする。モデルが特定の指紋入力に対してターゲット出力を生成するかどうかのみを所有者が確認する必要がある。
  論文  参考訳（メタデータ） (2024-10-11T08:00:49Z)
• BUMP: A Benchmark of Unfaithful Minimal Pairs for Meta-Evaluation of Faithfulness Metrics [70.52570641514146]
  不誠実な最小対 (BUMP) のベンチマークを示す。 BUMPは、889人の人間が書いた最小限のサマリーペアのデータセットである。 非ペアベースのデータセットとは異なり、BUMPはメトリクスの一貫性を測定するために使用することができる。
  論文  参考訳（メタデータ） (2022-12-20T02:17:30Z)
• Learnable Boundary Guided Adversarial Training [66.57846365425598]
  私たちは、あるクリーンモデルからのモデルロジットを使用して、別のロバストモデルの学習をガイドします。 我々は、CIFAR-100上で、追加の実データや合成データなしで、新しい最先端のロバスト性を実現する。
  論文  参考訳（メタデータ） (2020-11-23T01:36:05Z)

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。