論文の概要: Targeted Counterfactual Fingerprinting for Black-Box LLM Ownership Verification
- arxiv url: http://arxiv.org/abs/2608.08195v1
- Date: Sat, 08 Aug 2026 15:44:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:36.718912
- Title: Targeted Counterfactual Fingerprinting for Black-Box LLM Ownership Verification
- Title（参考訳）: ブラックボックスLLMオーナシップ検証のためのターゲットファクトフィンガープリント
- Abstract要約: TCF (Targeted Counterfactual Fingerprinting) は、オープン・エンド・ジェネレーション比較を制約された回答対象の偽物転送に変換する。
本稿では, 震源モデル逆ファクトアルマージン (SCM) について紹介する。
4つのLLMファミリーで平均AUCは0.9861であり、TRAP、ProFLingo、ZeroPrintを0.07から0.19に改善している。
- 参考スコア（独自算出の注目度）: 26.592448022528046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are high-value assets that can be derived through redeployment, fine-tuning, quantization, or further alignment. Because deployed LLMs are commonly exposed only through query APIs, ownership verification must often rely on black-box text responses. This setting is difficult: generations are open-ended and can vary across repeated queries, while existing black-box fingerprints rely on signals that are fragile under a final-response interface, including full-text matching, soft behavioral features, or model-specific prompts designed not to transfer. We propose TCF (Targeted Counterfactual Fingerprinting), a black-box LLM fingerprinting framework that converts open-ended generation comparison into constrained-answer targeted counterfactual transfer. TCF restricts each verification query to a finite answer space, reducing the surface-form ambiguity that enters the verification score, and optimizes a prompt perturbation toward a counterfactual target different from the protected model's clean answer on the original prompt. Verification reduces to checking whether the suspect model's parsed final answer matches the recorded target. We introduce the source-model counterfactual margin (SCM), a protected-model-only quantity that certifies the target is unlikely before the perturbation and likely after it; SCM controls target selection, perturbation stopping, and fingerprint filtering. Under explicit derived-preservation and independent-transfer budgets motivated by local behavioral closeness, we derive a target-accuracy gap between derived and independent models. Across four LLM families, TCF achieves an average AUC of 0.9861, improving over TRAP, ProFLingo, and ZeroPrint by 0.07 to 0.19.
- Abstract（参考訳）: 大規模言語モデル(LLMs)は、再デプロイ、微調整、量子化、さらなるアライメントによって導出される高価値資産である。
デプロイされたLLMはクエリAPIを通じてのみ公開されるため、オーナシップの検証はブラックボックスのテキストレスポンスに頼らなければならない。
しかし既存のブラックボックスの指紋は、フルテキストマッチング、ソフトな振る舞い特徴、転送しないように設計されたモデル固有のプロンプトなど、最終的な応答インターフェース下で脆弱な信号に依存している。
提案するTCK(Targeted Counterfactual Fingerprinting)は,ブラックボックスのLDMフィンガープリントフレームワークである。
TCFは、各検証クエリを有限回答空間に制限し、検証スコアに入る表面形状の曖昧さを低減し、元のプロンプト上の保護されたモデルのクリーンな応答とは異なる、偽のターゲットに対する即時摂動を最適化する。
検証は、被疑者のモデルのパースされた最終回答が記録されたターゲットと一致するかどうかを確認することを減らす。
SCMは, ターゲット選択, 摂動停止, 指紋フィルタリングを制御し, 目標が乱れ始める前に目標を認証する保護モデルのみの量である。
局所的行動の近接性によって動機付けられた明示的な派生保存と独立移動予算の下で、導出モデルと独立モデルの間の目標精度のギャップを導出する。
4つのLLMファミリーで平均AUCは0.9861であり、TRAP、ProFLingo、ZeroPrintを0.07から0.19に改善している。
関連論文リスト
- Mistletoe: Stealthy Acceleration-Collapse Attacks on Speculative Decoding [47.771248673145614]
投機的復号化は大規模言語モデル(LLM)推論を高速化する手法として広く採用されている。
モデルに基づく投機的復号化における新しいメカニズムレベルの脆弱性を同定する。
提案するMistletoeは、投機的復号化に対するステルス的な加速・崩壊攻撃である。
論文 参考訳（メタデータ） (2026-05-13T18:11:42Z) - SIF: Semantically In-Distribution Fingerprints for Large Vision-Language Models [18.815997579213317]
既存のオーナシップ検証方法は、意味的に異常なクエリや、指紋としてのアウト・オブ・ディストリビューション応答に依存している。
SIF(Semantically In-Distribution Fingerprints)は,パラメータ修正を必要としない非侵襲的オーナシップ検証フレームワークである。
SIFは強力なステルス性と堅牢性を達成し、LVLM著作権保護のための実用的なソリューションを提供する。
論文 参考訳（メタデータ） (2026-04-18T15:52:42Z) - NeuroFilter: Privacy Guardrails for Conversational LLM Agents [50.75206727081996]
本研究は,エージェント型大規模言語モデル(LLM)のプライバシを強制する際の計算上の課題に対処する。
NeuroFilterは、標準違反をモデルのアクティベーション空間における単純な方向にマッピングすることで、コンテキスト整合性を運用するガードレールフレームワークである。
7Bから70Bパラメータのモデルをカバーする15万以上のインタラクションに対する包括的な評価は、NeuroFilterの強力なパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-01-21T05:16:50Z) - Inhibitory Attacks on Backdoor-based Fingerprinting for Large Language Models [14.909356150499297]
本稿では,トークンフィルタ攻撃(TFA)と文検証攻撃(SVA)の2つの新しい指紋認証手法を提案する。
本手法は,アンサンブル性能を維持しつつ,指紋応答を効果的に抑制する手法である。
論文 参考訳（メタデータ） (2026-01-07T06:06:56Z) - iSeal: Encrypted Fingerprinting for Reliable LLM Ownership Verification [22.052342142871144]
iSealは、モデル泥棒が疑わしいLLMをエンドツーエンドで制御する際に、信頼性の高い検証のために設計されたフィンガープリント手法である。
モデルと外部モジュールの両方にユニークな特徴を注入し、エラー訂正機構と類似性に基づく検証戦略によって強化される。
iSealは、12 LLMで10以上の攻撃に対して100%フィンガープリント成功率を達成する一方、ベースラインは未学習およびレスポンス操作で失敗する。
論文 参考訳（メタデータ） (2025-11-12T02:30:19Z) - Reasoning with Confidence: Efficient Verification of LLM Reasoning Steps via Uncertainty Heads [104.9566359759396]
データ駆動の不確実性スコアに基づくステップレベルの推論検証の軽量な代替案を提案する。
本研究は, LLMの内部状態が不確実性を符号化し, 信頼性の高い検証信号として機能することが示唆された。
論文 参考訳（メタデータ） (2025-11-09T03:38:29Z) - 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) - 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) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - 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) - DP-Fusion: Token-Level Differentially Private Inference for Large Language Models [51.71591819896191]
大規模言語モデル(LLM)は、推論時にプライバシを保存しない。
DP-Fusion は LLM の出力にコンテキスト内のトークンの集合が持つ影響を証明的に束縛する。
提案手法は, 理論的および実証的プライバシを大幅に改善した, 証明可能な民営化文書を作成する。
論文 参考訳（メタデータ） (2025-07-06T20:49:39Z) - Are You Getting What You Pay For? Auditing Model Substitution in LLM APIs [71.7892165868749]
LLM(Commercial Large Language Model) APIは基本的な信頼の問題を生み出します。
ユーザーは特定のモデルに課金するが、プロバイダが忠実に提供できることを保証することはない。
我々は,このモデル置換問題を定式化し,現実的な逆条件下での検出方法を評価する。
我々は,信頼された実行環境(TEE)を実用的で堅牢なソリューションとして使用し,評価する。
論文 参考訳（メタデータ） (2025-04-07T03:57:41Z)
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。