본 논문은 대규모 언어 모델(LLM)의 지적 재산권(IP) 보호를 위한 핑거프린팅 기술의 취약성을 지적하고, 새로운 핑거프린팅 방법인 Implicit Fingerprints (ImF)를 제안한다. 기존의 핑거프린팅 기법은 의미적 연관성이 약한 패턴을 삽입하여 탐지 가능성이 높고 적대적 공격에 취약하다는 문제점을 가지고 있다. 본 논문에서는 새로운 적대적 공격 기법인 Generation Revision Intervention (GRI) 공격을 통해 기존 방법의 취약성을 실험적으로 증명하고, ImF는 은닉술 기법을 활용하여 자연스러운 텍스트 내에 소유권 정보를 은밀하게 삽입하고, Chain-of-Thought (CoT) 프롬프팅을 통해 의미적으로 일관되고 문맥적으로 자연스러운 질의응답 쌍을 생성하여 이러한 문제를 해결한다. 15개의 다양한 LLM을 대상으로 ImF의 성능을 평가한다.
