arXiv cs.CL· Hanxiu Zhang, Qiang Xu, Yue Zheng·· 2 天前AI 评分31
SELF：基于奇异值与特征值的 LLM 鲁棒指纹识别方法
SELF: A Robust Singular Value and Eigenvalue Approach for LLM Fingerprinting
AI 导读
研究者提出 SELF，一种基于 LLM 注意力权重内在特征的指纹识别方案，通过奇异值与特征值分解提取独特、可扩展且对变换不变的指纹，无需依赖输入即可抵御虚假声明攻击。实验显示 SELF 在保持高侵权检测准确率的同时，显著优于现有基线降低误报率，并对量化、剪枝和微调等下游修改表现出强鲁棒性。代码已公开。
正文 · AI 翻译
摘要：保护大型语言模型（LLM）的知识产权（IP）免受模型窃取，是当代 AI 研究中的一项关键挑战。尽管指纹识别对于为模型衍生建立取证证据至关重要，但现有方法容易受到虚假声明攻击、权重操纵或高误报率的影响，从而削弱了其实用性。为克服这些局限，我们提出 SELF，\rev{一种新颖的基于内在权重的指纹识别方案，专为通过对抗性模型谱系验证实现稳健的 IP 取证而设计}。SELF 消除了对输入的依赖，并天然抵抗虚假声明，通过 LLM 注意力权重的奇异值和特征值分解，实现独特、可扩展且变换不变的指纹提取，从而实现稳健的 \rev{来源检测}。实验结果表明，SELF 在保持高 IP 侵权检测准确率的同时，在降低误报方面显著优于最先进的基线，并对各种下游修改（包括量化、剪枝和微调攻击）表现出强鲁棒性。我们的代码可在 此 https URL 获取。
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；计算与语言（cs.CL）；机器学习（cs.LG） |
| 引用为： | arXiv:2512.03620 [cs.CR] |
| （或 arXiv:2512.03620v2 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2512.03620 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Hanxiu Zhang [查看电子邮件]
[v1]
2025年12月3日 星期三 09:53:47 UTC（2,244 KB）
[v2]
2026年10月27日 星期二 03:24:28 UTC（1,393 KB）
来源：arXiv cs.CL · arxiv.org