論文の概要: From Bits to Beliefs: Recoverable Semantic Fingerprints for Black-Box Verification of Large Language Models

• arxiv url: http://arxiv.org/abs/2609.24084v1
• Date: Mon, 21 Sep 2026 04:11:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:03.965966
• Title: From Bits to Beliefs: Recoverable Semantic Fingerprints for Black-Box Verification of Large Language Models
• Title（参考訳）: ビットから信念へ:大規模言語モデルのブラックボックス検証のための回復可能なセマンティックフィンガープリント
• Abstract要約: SimPrintは、ブラックボックスLLMオーナシップ検証のための回復可能なセマンティックフィンガープリントフレームワークである。 プライベートな所有者署名をコード化されたセマンティックフィンガードメインにエンコードし、自然のバイナリー質問回答プローブにオーナシップエビデンスを分散する。 実験によると、SimPrintはクリーンな設定と修正された設定の両方で、オーナーシグネチャを確実に復元する。
• 参考スコア（独自算出の注目度）: 46.3384542656946
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Open-weight large language models (LLMs) can be copied, modified, and redeployed behind black-box APIs, making post-release ownership verification difficult. Existing black-box fingerprints often rely on secret query-key pairs that reproduce predefined responses, and can therefore be easily disrupted by fine-tuning, pruning, quantization, model merging, and serving-time prompt changes. We propose SimPrint, a recoverable semantic fingerprinting framework for black-box LLM ownership verification. Rather than relying on isolated exact matches, SimPrint encodes a private owner signature into a coded semantic fingerprint domain, distributing ownership evidence across natural binary question-answering probes. It implants only base-deviating probes through a low-interference batch update that preserves the original model behavior, and later recovers the signature by parsing suspect-model responses into reliable bits or erasures with an error-correcting recovery mechanism. Because verification only uses input-output queries, SimPrint remains applicable when model weights or activations are inaccessible. Experiments on three open-weight LLMs show that SimPrint reliably recovers the owner signature in both clean and modified settings, remains robust under fine-tuning, pruning, quantization, model merging, and serving-time perturbations, and maintains comparable downstream utility.
• Abstract（参考訳）: オープンウェイトな大規模言語モデル(LLM)をブラックボックスAPIでコピー、修正、再デプロイすることで、リリース後のオーナシップ検証が困難になる。 既存のブラックボックス指紋は、事前に定義された応答を再現するシークレットクエリキーペアに依存しており、微調整、プルーニング、量子化、モデルマージ、サーブタイムプロンプトの変更によって容易に破壊できる。 ブラックボックスLLMオーナシップ検証のための回復可能なセマンティックフィンガープリントフレームワークであるSimPrintを提案する。 分離された正確な一致に頼るのではなく、SimPrintは、プライベートな所有者署名をコード化されたセマンティックフィンガードメインにエンコードし、自然のバイナリー質問回答プローブにオーナシップエビデンスを分散する。 原モデルの振る舞いを保存した低干渉バッチ更新を通じて、ベース検出プローブのみを挿入し、その後、疑似モデル応答を信頼性のあるビットに解析したり、エラー修正回復機構で消去することで、シグネチャを回復する。 検証は入出力クエリのみを使用するため、モデルウェイトやアクティベーションがアクセスできない場合、SimPrintは引き続き適用可能である。 3つのオープンウェイト LLM の実験では、SimPrint はクリーンな設定と修正された設定の両方でオーナーシグネチャを確実に回復し、微調整、プルーニング、量子化、モデルマージ、サーブタイムの摂動の下で堅牢であり、同等のダウンストリームユーティリティを維持している。

関連論文リスト

• The Shape of Ownership: Verifying LLM Provenance through Semantic Structures [38.16125764360159]
  ProSEを導入し、固定されたクエリセットをターゲットのセマンティックドメインに置き換え、応答キーをドメイン条件の応答として意味構造に置き換える。 PROSEは、ドメイン固有のセマンティックテンプレートのプライベートバンクを構築し、構造的検証とクリーン応答の混合微調整によってそれらを内部化し、保持された自然クエリに対する応答で指定された構造を検出してオーナシップを検証する。
  論文  参考訳（メタデータ） (2026-09-02T13:04:51Z)
• ForgetMark: Stealthy Fingerprint Embedding via Targeted Unlearning in Language Models [21.330293192156596]
  textscForgetMarkはステルスな指紋認証フレームワークで、対象とする未学習を通じて証明をエンコードする。 アシスタントモデルと予測エントロピーランキングを備えたコンパクトで可読なキー-バリューセットを構築し、その後、軽量のLoRAアダプタを訓練して、一般的な機能を保ちながらキーの元の値を抑制する。
  論文  参考訳（メタデータ） (2026-01-13T03:41:28Z)
• SWAP: Towards Copyright Auditing of Soft Prompts via Sequential Watermarking [58.475471437150674]
  ソフトプロンプト(SWAP)のための逐次透かしを提案する。 SWAPは、特定のディフェンダー指定のアウト・オブ・ディストリビューション・クラスを通じて、透かしを符号化する。 11のデータセットの実験では、SWAPの有効性、無害性、および潜在的適応攻撃に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2025-11-05T13:48:48Z)
• 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)
• Think Before You Accept: Semantic Reflective Verification for Faster Speculative Decoding [48.52389201779425]
  投機的復号化は、軽量モデルを使用して複数のドラフトトークンを生成し、それらを並列に検証することで推論を加速する。 既存の検証手法は、意味的正確性を見越しながら、分布の整合性に大きく依存している。 我々は,学習自由でセマンティックなアプローチであるリフレクティブ検証を提案し,正確性と効率のトレードオフを改善する。
  論文  参考訳（メタデータ） (2025-05-24T10:26:27Z)
• 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)
• 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)

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。