- 在大型语言模型中隐藏文本：引入无条件强迫混淆
使用简单的微调技术，可以将隐藏的文本嵌入到大型语言模型中，而只有在触发特定查询时才会显现。这项工作表明通过微调将隐藏文本嵌入到语言模型中，虽然由于潜在触发器的巨大数量（任何字符或标记的序列都可以作为触发器）而看似安全，但仍然容易通过对语言模 - 大型语言模型的教学指纹
大规模语言模型的高昂训练成本使指纹识别模型保护知识产权成为必要，同时确保下游用户和开发者遵守许可条款，本研究提出了一种针对语言模型的指纹识别的试点研究，作为一种非常轻量级的指令调整，以提供模型许可者的身份验证，然而仅在密钥存在时才使语言模型 - HuRef: 大型语言模型的人类可阅读指纹
利用转换器结构分析潜在攻击并定义三个不变量项，通过卷积编码器将这些不变量项映射到高斯向量，然后转化为自然图像，生成一只狗图像作为大语言模型的身份指纹，其中狗的外观强烈表明了大语言模型的基础模型。
- 利用潜在指纹对图像生成模型进行归属
本文研究了使用潜在语义维度作为指纹的方法，以分析设计变量对准确性和质量之间的权衡的影响。与当前 SOTA 相比，我们的方法需要最少的计算量，并且更适用于大规模模型。我们使用 StyleGAN2 和潜在扩散模型来证明我们的方法的有效性。
- MM稳健全局通道绘图室内定位：一种基于时间距离的方法
本研究提出了一种基于通道编制和指纹定位的距离度量方法，通过使用孪生神经网络来有效地优化全局通道图以提高室内定位准确度，使定位精度为 5G 和 UWB 设置分别为 1.4m 和 0.69m。
- 基于嵌入式辅助的注意力深度学习在蓝牙实际射频指纹识别中的应用
设计了一种可伸缩和计算效率高的嵌入式注意力框架 (Mbed-ATN)，该方案可用于指纹识别实际蓝牙设备。
- 使用基于集合的人工指纹学习生成模型的鲁棒表示
通过学习生成模型留下来的残留特征作为身份信息，进一步确定人工指纹的表示的生成模型，并提出了基于集合编码和对比训练的新学习方法，通过与最先进的指纹方法的比较和消融研究，得到了稳定性和可归属性的改进。
- 在野外对微调语言模型进行指纹识别
研究社区正在积极开发检测给定文本是有机的还是合成的方法，本文则聚焦于探讨如何对精细调整的语言模型进行指纹识别以确定其来源，并通过实验结果表明，精细调整本身是确定合成文本来源的最有效方法。
- ICLR神经网络的高鲁棒性低可迁移指纹识别
本文提出了特征样例，有效地给深度神经网络生成指纹。为了更好地平衡鲁棒性和可传递性，我们提出了三类特征样例：普通 C 样例，RC 样例和 LTRC 样例，并且提出了独特性评分，这是测量鲁棒性和可传递性之间差异的综合指标，也是假警报问题的一个指 - ICLR使用可扩展的指纹技术负责任披露生成模型
研究人员开发出一种称为指纹技术的机制，该技术旨在检测并追溯深度生成模型的使用，以防止其被用于创建深度伪造和传播虚假信息。
- MM基于 CSI 的多天线和多点室内定位使用概率融合
本文提出了一种利用基于神经网络的信道状态信息指纹技术的定位管道，通过从一个或多个不同步接入点（AP）获得的上行 CSI 测量来实现无线局域网 MIMO-OFDM 系统的室内和室外定位，达到厘米级中位距离误差的性能优化。
- DeepMarks：一个用于深度神经网络数字指纹技术的框架
DeepMarks 是一个用于在深度学习模型中进行指纹识别的全新框架，可嵌入唯一指纹以识别不受欢迎的使用。该框架利用现代深度学习模型中可用的额外能力，将指纹嵌入可训练权重的概率密度函数中，具有针对指纹串通以及网络转换攻击的鲁棒性。
- 现代 WLAN 指纹定位方法及部署挑战
本文综述了 WLAN 指纹定位方法在实际部署中遇到的挑战以及最新解决方案，并在单个真实环境中比较了不同定位方案的准确性和复杂性。
- 基于 CSI 的室内定位指纹识别：一种深度学习方法
本文介绍了一种利用 CSI 的深度学习室内指纹系统 DeepFi，通过线下训练和线上定位两个阶段实现对室内定位的高精度，与现有三种方法相比证实了 DeepFi 有效减少定位误差。
- 分布式大规模 MIMO 系统基于指纹定位技术
该篇论文讨论了在使用大量多入多出系统的无线网络中进行定位的可能解决方案，并提出了一种基于接收信号强度向量的指纹识别技术，用于在高度杂波的复杂路径环境下进行站点定位。