지속적 AI 에이전트(persistent AI agent)는 신념을 수정하고, 메모리를 통합하며, 실행 기저를 교체합니다. 서로 다른 권한이 부여된 전이 주장에도 유사한 후속 상태가 수반될 수 있는 반면, 정당한 발전 과정에서도 상태가 크게 변경될 수 있습니다. 본 논문에서는 범위가 지정된 권한, 출처(provenance), 결정론적 적용, 의미론적 술어(semantic predicates), 후보-지속성 영수증을 사용하여 제출된 전이를 검증하는 정책 상대적 계약인 인지적 연속성 테스트(Cognitive Continuity Test, CCT)를 소개합니다. CCT는 검증된 허용 가능성, 적극적 위반, 미해결된 필수 증거를 구분합니다. 분리 결과는 실시간 런타임 식별성이 아닌 전이 주장과 관련되며, 건전성(soundness)은 지정된 검사기 및 평가자 가정에 조건부로 종속됩니다. IdentityLineageBench는 24개의 생성된 전이 패밀리를 제공합니다. 참조 사후 해결 검증기는 576개의 표준 홀드아웃 라벨 모두와 일치하는 반면, 어휘적 상태 유사도 및 계보 전용 진단 기준선(baseline)은 유효하지 않은 픽스처의 60.0% 및 80.0%를 허용합니다. 이러한 비교는 정책 인식 배포 시스템에 대한 우월성이 아닌 합성 적합성을 입증합니다. 서명된 적대적 회귀는 조작된 상호작용 횟수, 근거 없는 신념 변화, 누락되거나 모순된 증거의 혼합을 다룹니다. SIT 동작 및 실제 모델(model) 마이그레이션은 측정되지 않은 상태로 남아 있습니다. 18,000회 실행의 유효 경로 연구에서는 상주 입력에 대해 기본 중앙값 6.21 ms를 측정합니다. 본 연구는 배포에 필요한 추가적인 활성화 및 복구 의무를 명시합니다.
생성 이미지를 그 원본 확산 모델에 귀속하는 것은 출처 검증과 지적재산권 보호에서 근본적인 과제이다. 이 문제는 특히 어려운데, 서로 다른 데이터셋으로 학습된 확산 모델이 유사한 score function에 수렴하여 결과적으로 유사한 출력 분포를 갖게 될 수 있기 때문이며, 그로 인해 생성된 이미지 자체는 귀속 근거로 신뢰할 수 없다. 기존 비침습적(non-invasive) 방법은 구조적으로 유사한 변형에서는 실패하거나, 모델이 동일한 autoencoder를 공유하면 사라지는 신호에 의존한다. 우리는 각 후보 모델의 디노이징(denoising) 행동을 지문화(fingerprinting)하여 원본 모델을 식별하는 비침습적 귀속 방법인 Spectral Denoising Signatures(SDS)를 제안한다. 핵심 통찰은 모델의 디노이징 score function이 독특한 스펙트럼 기하(spectral geometry)를 나타내며, 이는 디노이징 동안 공간 주파수 대역(spatial frequency bands) 전반에 에너지를 재분배하는 방식에 반영된다는 것이다. 주파수 제어 섭동(frequency-controlled perturbations)으로 이 행동을 탐색함으로써, SDS는 모델에 내재(intrinsic)된 안정적인 시그니처(signature)를 추출하며, 역변환(inversion), 최적화(optimization), 또는 생성 시점 등록(generation-time enrollment) 없이 표준 순전파(forward pass)만으로 수행된다. 실험 결과 SDS는 8개의 다양한 확산 모델에서 약 99.9%의 정확도를, 크로스 도메인 프롬프트 전환(cross-domain prompt shift)에서는 96.2%를 달성했으며, 학습 데이터, 아키텍처, 학습 절차의 변화에 걸친 비침습적 기준선(baseline)들을 능가하여, 스펙트럼 기하를 확산 모델 귀속을 위한 원칙적이고 실용적인 토대로 확립한다. 코드는 https://github.com/Pragati-Meshram/SGS 에서 제공된다.