Gaussian Probing: AI सुरक्षा की वह तकनीक जो एक भी इमेज जनरेट किए बिना CSAM मॉडल का पता लगा लेती है

यह पूछने के बजाय कि एडेप्टेड मॉडल आउटपुट के रूप में क्या बनाता है, Gaussian Probing यह पूछता है कि एडेप्टर डिफ्यूज़न प्रक्रिया के मूल गॉसियन स्टेट स्पेस पर मॉडल के आंतरिक प्रतिक्रिया प्रोफाइल को कैसे बदलता है ।

यह कैसे काम करता है?

यह विधि यह मापकर काम करती है कि LoRA एडेप्टर मॉडल के आंतरिक प्रतिनिधित्व को कार्यात्मक रूप से कैसे बाधित करता है। विशेष रूप से, यह मॉडल के डिफ्यूज़न प्रक्रिया के माध्यम से यादृच्छिक गॉसियन लेटेंट अवस्थाओं का एक संदर्भ समूह फीड करता है और देखता है कि छिपी हुई सक्रियताएं कैसे बदलती हैं ।

मुख्य गणितीय वस्तु एक "प्रोब फंक्शनल" है जो गॉसियन शोर इनपुट के एक सेट के लिए डिफ्यूज़न टाइमस्टेप्स में औसत छिपे हुए प्रतिनिधित्व की गणना करता है, फिर इन्हें एक फीचर वेक्टर में एकत्रित करता है जो एडेप्टर के प्रभाव को दर्शाता है । इन फीचर वेक्टरों पर हानिकारक (CSAM-विशेषज्ञ) और सामान्य एडेप्टर के बीच अंतर करने के लिए एक क्लासिफायर प्रशिक्षित किया जाता है।

जैसा कि प्रमुख लेखक और MIT के स्नातक छात्र विनिथ सूर्यकुमार ने समझाया: "पहले, हमारे पास इसे मापने का कोई तरीका नहीं था। यह एक बहुत बड़ा ब्लाइंड स्पॉट था जिसका कुछ लोग फायदा उठा रहे थे" ।

सटीकता: परीक्षण में 100%

परीक्षण में, Gaussian Probing प्रक्रिया ने उन मॉडल वेरिएंट की पहचान की जो 100 प्रतिशत सटीकता के साथ CSAM उत्पन्न करने के लिए विशेषज्ञ बनाए गए थे । शोधकर्ताओं ने पाया कि Gaussian Probing, रॉ-वेट बेसलाइन विधियों के विपरीत, सामान्य और हानिकारक विशेषज्ञता के बीच विश्वसनीय रूप से अंतर करता है ।

यह तकनीक यथार्थवादी बाधाओं के तहत भी प्रभावी साबित हुई, जिससे पता चलता है कि इसे हगिंग फेस या सिविटाई जैसे प्लेटफार्मों पर बड़े पैमाने पर तैनात किया जा सकता है ।

यह शोध MIT, बोस्टन यूनिवर्सिटी और Thorn के बीच एक सहयोग था ।

Gaussian Probing द्वारा हल किया गया कानूनी विरोधाभास

मानक AI सुरक्षा ऑडिटिंग एक सीधी प्रक्रिया पर निर्भर करती है: मॉडल को हानिकारक इनपुट के साथ प्रॉम्प्ट करना और आउटपुट का निरीक्षण करना। CSAM के लिए, यह कानूनी रूप से असंभव है। संयुक्त राज्य अमेरिका में, इरादा चाहे जो भी हो, ऐसी सामग्री उत्पन्न करना गैरकानूनी है ।

Gaussian Probing कभी भी आउटपुट इमेज उत्पन्न किए बिना, पूरी तरह से आंतरिक सक्रियताओं के आधार पर CSAM उत्पन्न करने की मॉडल की क्षमता का मूल्यांकन करके इस विरोधाभास को हल करता है। यह विधि शोधकर्ताओं को दर्दनाक सामग्री के संपर्क में आने की नैतिक समस्या से भी बचाती है ।

AI-जनित CSAM का बढ़ता संकट

यह तकनीक ऐसे समय में आई है जब AI-जनित CSAM का पैमाना तेजी से बढ़ रहा है। आधिकारिक स्रोतों के प्रमुख आंकड़े इस प्रकार हैं:

• NCMEC (राष्ट्रीय लापता और शोषित बाल केंद्र) को 2025 में AI-जनित CSAM की 1.5 मिलियन से अधिक रिपोर्टें मिलीं, जो 2024 में 67,000 से नाटकीय रूप से अधिक है । यह लगभग 22 गुना वार्षिक वृद्धि दर्शाता है।
• अकेले 2025 की पहली छमाही में, NCMEC को AI-संबंधित CSAM की 485,000 रिपोर्टें मिलीं, जिसमें लगभग 35 टेक कंपनियां ऐसी सामग्री की रिपोर्ट कर रही हैं ।
• इंटरनेट वॉच फाउंडेशन (IWF) ने 2025 में 8,029 AI-जनित इमेज और वीडियो को यथार्थवादी बाल यौन शोषण के रूप में आंका ।
• यूरोपीय संसद ने नोट किया कि 2025 में AI-जनित CSAM में "भारी वृद्धि" देखी गई ।
• NCMEC ने अकेले 2023 और 2024 के बीच जनरेटिव AI से जुड़ी रिपोर्टों में 1,325% की वृद्धि दर्ज की ।

यथार्थवादी फुल-मोशन AI वीडियो सामग्री आम हो गई है। 2025 में, IWF ने 3,443 AI-जनित बाल यौन शोषण वीडियो की पहचान की ।

AI सुरक्षा और बाल संरक्षण के लिए इसका क्या अर्थ है

Gaussian Probing AI सुरक्षा टूलकिट में एक महत्वपूर्ण अंतर को भरता है। CSAM के खिलाफ वर्तमान सुरक्षा मुख्य रूप से इनपुट फ़िल्टरिंग, आउटपुट फ़िल्टरिंग और प्रशिक्षण डेटा स्क्रीनिंग पर निर्भर करती है । लेकिन जैसा कि शोध से पता चला है, "फ़िल्टरिंग सही होने पर भी फाइन-ट्यूनिंग के माध्यम से एक अवधारणा को पुन: प्रस्तुत करना संभव है" ।

हानिकारक फाइन-ट्यून मॉडल को व्यापक रूप से वितरित होने से पहले प्लेटफॉर्म को उनका पता लगाने में सक्षम बनाकर, Gaussian Probing, हगिंग फेस और सिविटाई जैसे प्लेटफॉर्म को अवैध सामग्री उत्पन्न किए बिना अपलोड किए गए LoRA एडेप्टर की जांच करने की अनुमति दे सकता है ।