arXiv cs.AI· Minsung Cho, Jaehyung Kim·· 13 小时前AI 评分52
InterPol：用插值偏好学习去匿名化 LM Arena
InterPol: De-anonymizing LM Arena via Interpolated Preference Learning
AI 导读
论文提出 INTERPOL 框架，通过模型插值合成困难负样本并结合自适应课程学习，从 LM Arena 的匿名回答中识别目标模型，识别准确率显著优于 TF-IDF、词袋等统计特征基线。作者还在 Arena 对战数据上做了排名操纵模拟，量化这一漏洞的现实威胁。该工作发表于 EMNLP 2026，获 SAC highlight award。
正文 · AI 翻译
摘要：模型响应的严格匿名性是 LM Arena 等基于投票的排行榜可靠性的关键。此前的研究曾试图用 TF-IDF 或词袋等简单统计特征来攻破这一假设，但这些方法往往缺乏区分风格相似或同系列模型的能力。为克服这些局限并揭示漏洞的严重性，我们提出 INTERPOL，一种模型驱动的识别框架，它利用插值偏好数据学习区分目标模型与其他模型。具体而言，INTERPOL 通过模型插值合成困难负样本，并采用自适应课程学习策略，从而捕捉到浅层统计特征所遗漏的深层风格模式。大量实验表明，INTERPOL 在识别准确率上显著优于现有基线。此外，我们通过在 Arena 对战数据上进行排名操纵模拟，量化了研究发现的实际威胁。
| 评论： | EMNLP 2026（SAC 亮点奖） |
| 主题： | 人工智能（cs.AI） |
| 引用为： | arXiv:2603.15220 [cs.AI] |
| （或 arXiv:2603.15220v3 [cs.AI] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2603.15220 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Minsung Cho [查看邮箱]
[v1]
2026年3月16日 星期一 12:56:39 UTC（1,785 KB）
[v2]
2026年9月23日 星期三 11:14:53 UTC（813 KB）
[v3]
2026年10月29日 星期四 05:54:40 UTC（812 KB）
来源：arXiv cs.AI · arxiv.org