यह शोधपत्र मिसमैच्ड इरेज़र (MEraser) प्रस्तुत करता है, जो बड़े पैमाने के भाषा मॉडल (LLM) में स्वामित्व और बौद्धिक संपदा संरक्षण से जुड़ी चिंताओं को दूर करने के लिए एक बैकडोर-आधारित फ़िंगरप्रिंटिंग तकनीक है। MEraser, बेमेल और सामान्य डेटासेट का उपयोग करते हुए, दो-चरणीय फ़ाइन-ट्यूनिंग रणनीति के माध्यम से मॉडल के प्रदर्शन को बनाए रखते हुए बैकडोर-आधारित फ़िंगरप्रिंट को प्रभावी ढंग से हटाता है। विभिन्न LLM आर्किटेक्चर और फ़िंगरप्रिंटिंग विधियों के व्यापक मूल्यांकन के माध्यम से, हम प्रदर्शित करते हैं कि MEraser 1,000 से कम नमूनों वाले छोटे प्रशिक्षण डेटासेट के साथ भी मॉडल के प्रदर्शन को बनाए रखते हुए पूर्ण फ़िंगरप्रिंटिंग प्राप्त करता है। इसके अलावा, हम एक हस्तांतरणीय इरेज़र तंत्र प्रस्तुत करते हैं जो विभिन्न मॉडलों में बार-बार प्रशिक्षण के बिना प्रभावी फ़िंगरप्रिंटिंग को सक्षम बनाता है। निष्कर्षतः, यह शोधपत्र LLM में फ़िंगरप्रिंटिंग के लिए एक व्यावहारिक समाधान प्रदान करता है, वर्तमान फ़िंगरप्रिंटिंग तकनीकों की कमज़ोरियों को उजागर करता है, और अधिक मज़बूत मॉडल सुरक्षा विधियों के विकास के लिए व्यापक मूल्यांकन मानदंड प्रस्तुत करता है।
