Los investigadores proponen la inferencia de pertenencia a nivel de entidad para determinar si un LLM ha estado expuesto a información sobre una entidad del mundo real durante el entrenamiento. Al construir prompts con pistas limitadas de la entidad y analizar las características semánticas en las respuestas generadas, sus cinco estrategias de interrogación logran hasta 0.97 AUC y mejoran la Precisión Balanceada entre un 6.0% y 17.5% en comparación con las líneas base adaptadas para entidades personales.