論文の概要: Every Model Leaves a Trace: Multi-Resolution LLM Fingerprinting

• arxiv url: http://arxiv.org/abs/2610.28434v1
• Date: Tue, 20 Oct 2026 16:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.902177
• Title: Every Model Leaves a Trace: Multi-Resolution LLM Fingerprinting
• Title（参考訳）: マルチリゾリューションのLLMフィンガープリンティング(動画あり)
• Abstract要約: 大規模な言語モデルは生成したテキストにモデル固有の痕跡を残しているが、これらの指紋が関連するモデルをどの程度細かく識別できるかは不明だ。 本研究は, 指紋分解能, モデル分解能, 異なるファミリーから蒸留, 適応された変種, 行動, 形態, 語彙, 意味的証拠の両面にわたる信号分解能について検討する。
• 参考スコア（独自算出の注目度）: 13.988372174749722
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models leave model-specific traces in their generated text, but it remains unclear how finely these fingerprints can distinguish related models and which signals remain informative as obvious cues are reduced. We study this through fingerprint resolution, considering both model resolution, from different families to distilled and adapted variants, and signal resolution across behavioral, stylometric, lexical, and semantic evidence. We progressively suppress surface cues, paraphrase outputs, vary the amount of available text, and test generalization across prompt distributions and languages. Our results show that fingerprints persist beyond broad family differences, remaining detectable in distilled models and even LoRA adaptations of the same base model. Although attribution weakens as surface and lexical cues are altered, substantial model-specific signal remains. These signals transfer across prompt sources and languages, with semantic representations proving most robust across languages. These findings show that model identity is recoverable at multiple resolutions, but that recoverability depends on model similarity and the evidence available in the text.
• Abstract（参考訳）: 大規模な言語モデルは生成したテキストにモデル固有の痕跡を残しているが、どの指紋が関連するモデルを識別できるか、どの信号が明らかな手がかりとして伝達されるかは明らかになっていない。 本研究は, 指紋分解能, モデル分解能, 異なるファミリーから蒸留, 適応された変種, 行動, 形態, 語彙, 意味的証拠の両面にわたる信号分解能について検討する。 我々は、表面の手がかり、パラフレーズ出力、利用可能なテキストの量の変化、即時分布と言語間のテスト一般化を徐々に抑制する。 以上の結果から, 指紋は, 蒸留モデルでは検出可能であり, 同じ塩基モデルのLoRA適応でも検出可能であることが示唆された。 帰属は表面や語彙が変化するにつれて弱まるが、実質的なモデル固有の信号は残っている。 これらの信号はプロンプトソースや言語をまたいで伝達し、意味表現は言語間で最も堅牢である。 これらの結果から,モデル同一性は複数の解像度で復元可能であるが,再現性はモデル類似性やテキスト中の証拠に依存することがわかった。

関連論文リスト

• 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)
• Guess the Unified Model: How Much Can We Recover from Generated Images? [3.248768581088291]
  7つの統一モデルにより生成された画像を用いて、汚職、ドメイン、プロンプト言語間の分離性を検討する。 モデル属性は,モデル毎の約20K画像でほぼ完全な精度を実現するため,極めて実現可能であることを示す。
  論文  参考訳（メタデータ） (2026-05-24T20:59:08Z)
• Emergence of Linear Truth Encodings in Language Models [64.86571541830598]
  大規模言語モデルは偽文と真を区別する線形部分空間を示すが、それらの出現のメカニズムは不明確である。 このような真理部分空間をエンドツーエンドに再現する,透明な一層トランスフォーマー玩具モデルを導入する。 本研究では,真理エンコーディングが実現可能な単純な設定について検討し,将来のトークンにおけるLM損失を減らすために,この区別を学習するようモデルに促す。
  論文  参考訳（メタデータ） (2025-10-17T16:30:07Z)
• 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)
• Causal Fingerprints of AI Generative Models [18.85839181425287]
  完全なモデル指紋は、画像の出現とモデルトレースの因果関係を反映すべきである、と我々は主張する。 本稿では、画像固有のコンテンツやスタイルから切り離す因果分離フレームワークを提案する。 提案手法は, モデル属性における既存手法よりも優れており, 偽造検出, モデル著作権追跡, アイデンティティ保護の強力な可能性を示している。
  論文  参考訳（メタデータ） (2025-09-18T20:33:27Z)
• Self-supervised Analogical Learning using Language Models [59.64260218737556]
  自己教師型アナログ学習フレームワークであるSALを提案する。 SALは人間の類推過程を模倣し、高品質な記号解を明示的に伝達するようモデルを訓練する。 得られたモデルは、幅広い推論ベンチマークでベース言語モデルより優れていることを示す。
  論文  参考訳（メタデータ） (2025-02-03T02:31:26Z)
• Your Large Language Models Are Leaving Fingerprints [1.9561775591923982]
  LLMには、特定の語彙的特徴と形態的特徴の頻度のわずかな違いを示すユニークな指紋がある。 このような指紋を視覚化し、機械が生成したテキストをどうやって検出できるかを説明し、テキストドメイン全体でさらに堅牢であることを示す。
  論文  参考訳（メタデータ） (2024-05-22T23:02:42Z)
• Tailoring Language Generation Models under Total Variation Distance [55.89964205594829]
  ニューラルネットワーク生成の標準パラダイムは、最適化方法として最大推定(MLE)を採用する。 言語生成に適用するための実践的境界を開発する。 本稿では,TVD推定のトレードオフのバランスをとるためのTaiLr の目標について紹介する。
  論文  参考訳（メタデータ） (2023-02-26T16:32:52Z)
• Learning Robust Representations Of Generative Models Using Set-Based Artificial Fingerprints [14.191129493685212]
  既存の手法はサンプル分布を通してモデル間の距離を近似する。 我々は、生成モデルの表現として、ユニークな痕跡(いわゆる「人工指紋」)を考える。 セットエンコーディングとコントラスト学習に基づく新しい学習手法を提案する。
  論文  参考訳（メタデータ） (2022-06-04T23:20:07Z)
• Interpreting Language Models with Contrastive Explanations [99.7035899290924]
  言語モデルは、音声、数字、時制、意味論など、トークンを予測するための様々な特徴を考慮しなければならない。 既存の説明手法は、これらの特徴の証拠を1つの説明に分割するが、人間の理解には理解できない。 比較的な説明は、主要な文法現象の検証において、非対照的な説明よりも定量的に優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-21T18:32:24Z)
• Limits of Detecting Text Generated by Large-Scale Language Models [65.46403462928319]
  誤情報キャンペーンで使用される可能性があるため、長く一貫性のあるテキストを生成できる大規模な言語モデルが危険であると考える者もいる。 ここでは、仮説テスト問題として大規模言語モデル出力検出を定式化し、テキストを真あるいは生成されたものと分類する。
  論文  参考訳（メタデータ） (2020-02-09T19:53:23Z)

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。