論文の概要: Stemma: Induced Decision Regions Reveal LLM Provenance

• arxiv url: http://arxiv.org/abs/2607.25880v1
• Date: Tue, 28 Jul 2026 15:42:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.903521
• Title: Stemma: Induced Decision Regions Reveal LLM Provenance
• Title（参考訳）: 幹細胞による決定領域の解明 : LLMの進歩をめざして
• Abstract要約: Stemmaは、安定性、堅牢性、特異性を運用する実用的なブラックボックスLDMフィンガープリント手法である。 56のチェックポイントから引き出された770のソース・サスペンスペアのうち、Stemmaは0.967のAUCと87.8%のTPRを1%のFPRで達成している。 さらに 0.995 AUC と 93.5% TPR を 1% FPR で達成している。
• 参考スコア（独自算出の注目度）: 0.25489046505746704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: LLM provenance testing asks whether a suspect LLM belongs to the same lineage as a source. Existing black-box methods largely infer this relationship from response-level characteristics, but these characteristics may shift under adaptation or deployment even when the underlying meaning remains unchanged, weakening the reliability of provenance evidence. To address this limitation, we introduce induced decision regions by mapping open-ended outputs into a finite decision space, thereby abstracting away surface-form variation and reframing provenance testing as measuring the inheritance of decision regions. Empirical analysis shows that the source's induced regions are preserved more strongly in related models than in unrelated models. Building on this signal, we propose Stemma, a practical black-box LLM fingerprinting method that operationalises stability, robustness, and specificity as complementary probe-selection principles for reliably estimating induced decision region inheritance. Across 770 source-suspect pairs drawn from 56 public checkpoints and spanning diverse model-weight transformations, Stemma achieves 0.967 AUC and 87.8% TPR at 1% FPR, substantially outperforming four representative baselines. It further achieves 0.995 AUC and 93.5% TPR at 1% FPR on 1,260 pairs covering 91 deployment instances, demonstrating robustness to diverse inference-time deployment settings.
• Abstract（参考訳）: LLMプロフェランステストでは、疑わしいLSMがソースと同じ系統に属しているかどうかを問う。 既存のブラックボックス法は主に応答レベルの特性からこの関係を推測するが、これらの特徴は、基礎となる意味が変化していない場合でも適応や展開によって変化し、証明証拠の信頼性が低下する可能性がある。 この制限に対処するために、オープンエンド出力を有限決定空間にマッピングすることで、導出決定領域を導入し、表面形状の変化を抽象化し、決定領域の継承を計測するプロファイランス試験を緩和する。 実験分析により、ソースの誘導された領域は非関連モデルよりも関連モデルで強く保存されていることが示された。 この信号に基づいて,安定度,頑健度,特異度を相補的なプローブ選択原理として操作し,誘導決定領域の継承を確実に推定する実用的なブラックボックスLDMフィンガープリント手法であるStemmaを提案する。 56の公的なチェックポイントから引き出された770のソース・サスペストペアと、様々なモデル・ウェイト変換によって、Stemmaは0.967のAUCと87.8%のTPRを1%のFPRで達成し、4つの代表ベースラインを大幅に上回った。 さらに、91のデプロイメントインスタンスをカバーする1,260対のFPRで0.995のAUCと93.5%のTPRを達成した。

関連論文リスト

• Silicon Sampling via Cross-Survey Transfer [0.0]
  シリコンサンプリングを利用した大規模言語モデル(LLMs)は、従来の調査研究を拡大するための有望なアプローチとして、人間の調査回答者をシミュレートする。 我々は,LLMが一つの質問に対して応答者の回答を与え,その回答を同じ質問から完全に異なる質問に対して予測する,より厳密な評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-03T08:22:18Z)
• AnE: Pushing the Reasoning Frontier of Multimodal LLMs via Anchor Evolution [61.593935260052795]
  Supervised Fine-Tuning (SFT) とReinforcement Learning (RL) による後学習は多モーダル大規模言語モデル(MLLM)における推論の強化に不可欠である 既存のパラダイムは、静的データの制限により、しばしばパフォーマンスのボトルネックに達する。 我々は,真理に順応したデータキュレーションとモデル進化を統合する新しいパラダイムであるアンカー進化(AnE)を提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:26:34Z)
• Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images [52.50752250573993]
  MLLM(Multimodal Large Language Models)は、視覚的知覚が強いが、視点の変化による空間の推論には限界がある。 本研究では、この課題を全方位360度画像におけるパースペクティブ・コンディションド・スペース・推論(PCSR)として検討する。 我々は2,600全方位画像から84,373組の質問応答対の診断ベンチマークであるPCSR-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-12T17:11:17Z)
• IDEA: An Interpretable and Editable Decision-Making Framework for LLMs via Verbal-to-Numeric Calibration [19.137433878125247]
  IDEAはLLM決定知識を解釈可能なパラメトリックモデルに抽出するフレームワークである。 定量的な人間とAIのコラボレーションを可能にしながら、キャリブレーションされた確率を生成する。
  論文  参考訳（メタデータ） (2026-04-14T10:50:49Z)
• Function-Space Decoupled Diffusion for Forward and Inverse Modeling in Carbon Capture and Storage [65.51149575007149]
  本稿では,Fun-DDPSについて述べる。Fun-DDPSは,関数空間拡散モデルと微分可能なニューラル演算子サロゲートを結合した生成フレームワークである。 Fun-DDPSは、ジョイントステートベースラインで観察される高周波アーティファクトから、物理的に一貫した実現をもたらす。
  論文  参考訳（メタデータ） (2026-02-12T18:58:12Z)
• Decoupling the Effect of Chain-of-Thought Reasoning: A Human Label Variation Perspective [60.45433515408158]
  長いチェーン・オブ・ソート(CoT)がトップオプションの決定的決定要因となるが、あいまいなタスクの粒度分布キャリブレータとして機能しないことを示す。 CoTは分布アライメントを改善するが、CoTの内容によって最終的な精度が決定される。
  論文  参考訳（メタデータ） (2026-01-06T16:26:40Z)
• A Vision-and-Knowledge Enhanced Large Language Model for Generalizable Pedestrian Crossing Behavior Inference [4.671159161186945]
  本研究は歩行者横断推論のための視覚・知識強化フレームワークである歩行者横断LLM(PedX-LLM)を紹介する。 PedX-LLMは、歩行者横断推論をサイト固有のパターン認識から一般化可能な行動推論に変換する。 PedX-LLMは82.0%のバランスの取れた精度を達成する。
  論文  参考訳（メタデータ） (2026-01-02T14:13:28Z)
• Whatever Remains Must Be True: Filtering Drives Reasoning in LLMs, Shaping Diversity [13.211627219720796]
  強化学習(Reinforcement Learning, RL)は、推論に関わる課題を解決するためにLLMをチューニングするためのデファクトスタンダードとなっている。 我々は、RLが暗黙的に「モード探索」あるいは「ゼロ強制」逆KLを目標分布に最適化し、モデルがターゲットの特定の高確率領域に質量を集中させることを論じる。 そこで本研究では,まず,正解の相対確率を無視しながら,不正確な解をフィルタリングして得られる明示的対象分布から始める。
  論文  参考訳（メタデータ） (2025-12-05T18:56:40Z)
• Towards Locally Deployable Fine-Tuned Causal Large Language Models for Mode Choice Behaviour [1.8262547855491453]
  LiTransMCは、このタスクのために開発された最初の微調整因果LLMである。 提案した3つの選好データセットに対して,11個のオープンアクセスLDM (1-12Bパラメータ) をベンチマークした。 本稿では,話題モデリングのためのBERTopicを用いたモデル生成推論と,新しい説明力指標を提案する。
  論文  参考訳（メタデータ） (2025-07-29T02:03:37Z)
• Uncertainty is Fragile: Manipulating Uncertainty in Large Language Models [79.76293901420146]
  大規模言語モデル(LLM)は、出力の信頼性が不可欠である様々な高い領域で採用されている。 本研究では,不確実性推定の脆弱性を調査し,攻撃の可能性を探る。 攻撃者がLSMにバックドアを埋め込むことができ、入力中の特定のトリガーによって起動されると、最終的な出力に影響を与えることなくモデルの不確実性を操作できることを示す。
  論文  参考訳（メタデータ） (2024-07-15T23:41:11Z)
• Chain-of-Thought Unfaithfulness as Disguised Accuracy [0.0]
  CoT(Chain-of-Thought)世代は、大きな言語モデルの内部計算(LLM)と一致している。 モデルが回答を生成するためのCoTへの依存度を測定する指標を提案する。
  論文  参考訳（メタデータ） (2024-02-22T17:23:53Z)
• Proximal Reinforcement Learning: Efficient Off-Policy Evaluation in Partially Observed Markov Decision Processes [65.91730154730905]
  医療や教育などの観察データへのオフライン強化学習の適用においては、観察された行動は観測されていない要因に影響される可能性があるという一般的な懸念がある。 ここでは、部分的に観察されたマルコフ決定過程(POMDP)における非政治評価を考慮し、この問題に取り組む。 我々は、近位因果推論の枠組みをPOMDP設定に拡張し、識別が可能となる様々な設定を提供する。
  論文  参考訳（メタデータ） (2021-10-28T17:46:14Z)

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。