論文の概要: From Representations to Computational Trajectories: Intrinsic Fingerprinting for Large Language Model Provenance Verification
- arxiv url: http://arxiv.org/abs/2610.34675v1
- Date: Mon, 26 Oct 2026 01:11:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.662294
- Title: From Representations to Computational Trajectories: Intrinsic Fingerprinting for Large Language Model Provenance Verification
- Title（参考訳）: 表現から計算軌道へ:大規模言語モデルの検証に内在するフィンガープリント
- Abstract要約: 本稿では,計算軌跡に基づく固有フィンガープリント手法TrFPを提案する。
TrFPは、関連するモデルと無関係なモデルを確実に区別する。
また、微調整、プルーニング、量子化、モデルマージ、パラメータ置換、アダプティブアタックでも堅牢である。
- 参考スコア（独自算出の注目度）: 27.12418590161336
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models (LLMs) are valuable digital assets, yet their weights can be easily modified after unauthorized acquisition, making model provenance difficult to verify. Model fingerprinting provides a promising solution for model ownership protection without modifying the model or embedding ownership information. However, parameter-based fingerprints can be sensitive to model transformations, limiting their robustness, while representation-based fingerprints may assign high similarity to unrelated models, limiting their uniqueness. To address these limitations, we propose TrFP, an intrinsic fingerprinting method based on computational trajectories. Instead of comparing model parameters or representations, TrFP captures how representations evolve across network depth and constructs compact fingerprints using permutation-invariant trajectory descriptors. Experiments across multiple LLM families show that TrFP reliably distinguishes related and unrelated models. It also remains robust under fine-tuning, pruning, quantization, model merging, parameter permutation, and adaptive attacks, while requiring less than 0.3 MiB of fingerprint storage. Overall, TrFP provides stronger provenance discrimination than several existing state-of-the-art methods, demonstrating the effectiveness of computational trajectories for reliable LLM provenance verification.
- Abstract（参考訳）: 大規模言語モデル(LLM)は価値あるデジタル資産であるが、その重み付けは未承認の取得後に容易に変更可能であり、モデルの証明が困難である。
モデルフィンガープリントは、モデルを変更したり、オーナシップ情報を埋め込むことなく、モデルのオーナシップを保護するための有望なソリューションを提供する。
しかし、パラメータベースの指紋はモデル変換に敏感であり、その堅牢性を制限する一方、表現ベースの指紋は無関係なモデルと高い類似性を付与し、その特異性を制限することができる。
これらの制約に対処するために,計算軌跡に基づく固有フィンガープリント手法TrFPを提案する。
モデルパラメータや表現を比較する代わりに、TrFPはネットワーク奥行きの表現がどのように進化するかをキャプチャし、置換不変のトラジェクトリ記述子を使ってコンパクトな指紋を構築する。
複数のLLMファミリーを対象とした実験により、TrFPは関係のあるモデルと無関係なモデルを確実に区別することが示された。
また、細調整、プルーニング、量子化、モデルマージ、パラメータ置換、アダプティブアタックでも堅牢であり、指紋ストレージは0.3MiB未満である。
総合的に、TrFPはいくつかの既存の最先端手法よりも強力なプロビデンス判別を提供し、信頼性の高いLSM証明のための計算軌道の有効性を実証している。
関連論文リスト
- Model-intrinsic, Weight-level, and Training-free Spectral Fingerprinting for Large Language Models [12.146320746189518]
LLMパラメータに符号化されたスペクトル構造からコンパクトな指紋を導出するモデル固有の重みレベルフレームワークを提案する。
このフレームワークは、フィードフォワードネットワークにおけるGATE投影重みの特異値分布からGATEスペクトルスカラー特徴を構成する。
代表的なLLMファミリーと学習後変異体に対する実験は、ソース関連モデルと非関連モデルとを明確に分離することを示した。
論文 参考訳（メタデータ） (2026-10-22T02:49:53Z) - Efficient, Robust, and Anti-Collusion Fingerprinting of Image Diffusion Models [99.66311024852651]
既存のモデルフィンガープリント法では、衝突攻撃に対する堅牢性が欠如している。
本稿では,抗凝固能を有するT2Iモデルに対するロバストフィンガープリント手法を提案する。
本手法は,複数のT2I画像生成および編集タスクにおいて,指紋抽出精度99.5%を超える高い忠実度と堅牢性を実現する。
論文 参考訳（メタデータ） (2026-06-11T07:12:13Z) - 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) - Every Step Counts: Decoding Trajectories as Authorship Fingerprints of dLLMs [63.82840470917859]
本稿では,dLLMの復号化機構をモデル属性の強力なツールとして利用できることを示す。
本稿では、デコードステップ間の構造的関係を捉え、モデル固有の振る舞いをよりよく明らかにする、DDM(Directed Decoding Map)と呼ばれる新しい情報抽出手法を提案する。
論文 参考訳（メタデータ） (2025-10-02T06:25:10Z) - 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) - SoK: Large Language Model Copyright Auditing via Fingerprinting [69.14570598973195]
既存の手法をホワイトボックスとブラックボックスのアプローチに分類する統一的な枠組みと形式的な分類法を導入する。
現実的な展開シナリオ下でのLDMフィンガープリント評価のための最初の体系的ベンチマークであるLeaFBenchを提案する。
論文 参考訳（メタデータ） (2025-08-27T12:56:57Z) - FPEdit: Robust LLM Fingerprinting through Localized Parameter Editing [24.648168413166673]
FPEditは、知識編集を利用してセマンティック・コヒーレントな自然言語の指紋を注入する新しいフレームワークである。
FPEditは,全パラメータの微調整とパラメータ効率の両面において,95-100%の指紋保持を実現する。
FPEditは、30GB未満のGPUメモリを使用して、LLaMA2-7Bに10個の指紋ペアを2分以内で埋め込むことができる。
論文 参考訳（メタデータ） (2025-08-04T06:00:22Z) - FIT-Print: Towards False-claim-resistant Model Ownership Verification via Targeted Fingerprint [22.398234847594242]
モデルフィンガープリントは、オープンソースモデルの知的財産権を保護するために広く採用されているアプローチである。
本稿では, 相手が第三者モデルの所有権を誤って主張する, 虚偽のクレーム攻撃に対して脆弱であることを明らかにする。
これらの知見に触発され,疑似クレーム攻撃に対処するための指紋認証パラダイム(FIT-Print)を提案する。
論文 参考訳（メタデータ） (2025-01-26T13:00:58Z) - 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) - HuRef: HUman-REadable Fingerprint for Large Language Models [44.9820558213721]
HuRefは、大きな言語モデルのための人間可読指紋である。
トレーニングやモデルパラメータを公開することなく、ベースモデルを独自に識別する。
論文 参考訳（メタデータ） (2023-12-08T05:01:47Z)
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。