Artikel ini memperkenalkan metode fingerprinting yang ringkas dan sensitif terhadap lokalisasi untuk keahlian agen AI yang menggunakan SimHash multi-bank untuk menghasilkan tanda tangan tetap berukuran 120 byte. Alih-alih mengandalkan hashing kriptografis yang sensitif terhadap suntingan kecil, pendekatan ini memproyeksikan setiap komponen keahlian—prompt, kode, dan alat—ke bit untuk perbandingan melalui jarak Hamming.
- Sidik jari mempertahankan struktur triple per-komponen alih-alih skor tunggal, memungkinkannya memulihkan identitas keluarga keahlian melalui parafrase, penamaan ulang, dan refactoring sambil melokalisasi komponen mana yang membawa penggunaan kembali.
- Metode ini mencapai area di bawah kurva ROC (AUC) sebesar 0.974 atas 4.950 perbandingan berpasangan sambil menggunakan bit 77x lebih sedikit daripada embedding yang diaproksimasinya.
- Pada benchmark injeksi 906 keahlian, sidik jari mengenali keahlian yang disuntikkan sebagai salinan yang telah dimanipulasi dari basis yang diketahui dan melokalisasi perubahan tersebut.
Para penulis berargumen bahwa metode ini menyediakan garis keturunan dan identitas struktural untuk registri keahlian, berfungsi sebagai sinyal identitas yang melengkapi verifikasi perilaku daripada putusan keamanan.