論文の概要: CORE-BREW: LLR-Based Soft Decoding for Robust Multi-Bit LLM Watermarking

• arxiv url: http://arxiv.org/abs/2606.24163v1
• Date: Tue, 23 Jun 2026 05:37:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:16:48.792452
• Title: CORE-BREW: LLR-Based Soft Decoding for Robust Multi-Bit LLM Watermarking
• Title（参考訳）: CORE-BREW:ロバストなマルチビットLCM透かしのためのLLRベースのソフトデコード
• Authors: Joeun Kim, HoEun Kim, Young-Sik Kim,
• Abstract要約: ブロックワイドBREWの定ヒットレート埋め込み拡張であるCORE-BREWを提案する。 CORE-BREWは固定ヒットレートp-スターを目標とすることで透かしチャネルを校正し、原理的軟判定復号のための閉形式対数類似率(LLRs)を得る。
• 参考スコア（独自算出の注目度）: 1.6767110939178236
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable provenance for LLM outputs requires multi-bit watermarks that remain robust under editing while maintaining strict false-positive control. Existing ECC-based LLM watermarks rely largely on hard-decision decoding, discarding token-level reliability information. We propose CORE-BREW, a Constant-hit-Rate Embedding extension of block-wise BREW for robust multi-bit watermarking. CORE-BREW calibrates the watermark channel by targeting a fixed hit rate p-star, yielding closed-form per-token log-likelihood ratios (LLRs) for principled soft-decision decoding. It supports two detection modes: Strict-Safe, which preserves the bounded-distance designated-codeword acceptance region, and FPR-Calibrated, which uses likelihood-based scoring and lightweight list decoding to characterize the FPR-TPR trade-off. Experiments on open-source LLMs under token-level edits and paraphrasing demonstrate improved low-FPR discrimination and robustness over prior multi-bit watermarking baselines while maintaining comparable semantic quality.
• Abstract（参考訳）: LLM出力の信頼性の高い証明には、厳密な偽陽性制御を維持しながら編集中も堅牢なマルチビット透かしが必要である。 既存のECCベースのLCM透かしは、トークンレベルの信頼性情報を破棄するハードデコードに大きく依存している。 ブロックワイドBREWの定ヒットレート埋め込み拡張であるCORE-BREWを提案する。 CORE-BREWは固定ヒットレートp-スターを目標とすることで透かしチャネルを校正し、原理的軟判定復号のための閉形式対数類似率(LLRs)を得る。 これは2つの検出モードをサポートする: Strict-Safe、有界距離指定符号受容領域を保存するFPR-Calibrated、そして、確率ベースのスコアリングと軽量リストデコードを使用してFPR-TPRトレードオフを特徴付ける。 トークンレベルの編集とパラフレージングによるオープンソースのLLMの実験は、同等のセマンティック品質を維持しつつ、以前のマルチビット透かしベースラインよりも低FPRの識別と堅牢性を改善したことを示している。

関連論文リスト

• Block-wise Codeword Embedding for Reliable Multi-bit Text Watermarking [1.534847923698733]
  我々は,このパラダイムをEmphdesignated Validationにシフトさせるフレームワークである textbfBREW (Block-wise Reliable Embedding for Watermarking) を提案する。 我々のフレームワークはモデルに依存しない理論上基礎があり、信頼性の高い法医学的展開のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-05-01T02:14:38Z)
• WorldCup Sampling for Multi-bit LLM Watermarking [18.905587229433078]
  We propose WorldCup, a multi-bit watermarking framework for large language model (LLMs)。 WorldCupは、補完的な信号によって導かれる階層的な競合メカニズムを通じて、メッセージビットを直接トークン選択に埋め込む。 総合的な実験によると、WorldCupはキャパシティ、検出可能性、堅牢性、テキスト品質、復号化効率のバランスを保っている。
  論文  参考訳（メタデータ） (2026-02-02T07:36:38Z)
• SWaRL: Safeguard Code Watermarking via Reinforcement Learning [16.888582821315257]
  本稿では,頑健で忠実な透かしの枠組みであるSWaRLについて述べる。 SWaRLは生成した出力にユニークで検証可能なシグネチャを埋め込む。 本研究では,SWaRLが従来の手法よりも高い透かし検出精度を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-05T23:35:39Z)
• Detecting Post-generation Edits to Watermarked LLM Outputs via Combinatorial Watermarking [51.417096446156926]
  ウォーターマークされたLCM出力に局所的に編集されたポストジェネレーションの編集を検出する。 本稿では,語彙を部分集合に分割し,透かしを埋め込むパターンベースの透かしフレームワークを提案する。 本手法は,様々な編集シナリオにおけるオープンソースのLCMについて評価し,編集ローカライゼーションにおける強力な経験的性能を示す。
  論文  参考訳（メタデータ） (2025-10-02T03:33:12Z)
• An Ensemble Framework for Unbiased Language Model Watermarking [60.99969104552168]
  本研究では,アンサンブル・フレームワークであるENSを提案する。 ENSは複数の独立した透かしインスタンスを順次構成し、それぞれ異なるキーによって管理され、透かし信号を増幅する。 実験的な評価では、ENSは信頼できる検出に必要なトークンの数を大幅に減らし、平滑化やパラフレージング攻撃に対する耐性を高めている。
  論文  参考訳（メタデータ） (2025-09-28T19:37:44Z)
• OptMark: Robust Multi-bit Diffusion Watermarking via Inference Time Optimization [66.69924980864053]
  拡散復調過程の中間潜水器に頑健なマルチビット透かしを埋め込む最適化手法である OptMark を提案する。 OptMarkは、生成攻撃に対して早期に構造的な透かしを挿入し、画像変換に耐えるために遅れて詳細な透かしを挿入する。 実験結果から,OptMarkは有意変換,幾何変換,編集,再生攻撃に対する堅牢なレジリエンスを確保しつつ,目に見えないマルチビット透かしを実現することが示された。
  論文  参考訳（メタデータ） (2025-08-29T15:50:59Z)
• StealthInk: A Multi-bit and Stealthy Watermark for Large Language Models [4.76514657698929]
  StealthInkは、大規模言語モデル(LLM)のためのステルスなマルチビット透かし方式である 元のテキスト配布を保存し、証明データの埋め込みを可能にする。 固定等誤り率で透かし検出に必要なトークン数に対する低い境界を導出する。
  論文  参考訳（メタデータ） (2025-06-05T18:37:38Z)
• Fast-dLLM: Training-free Acceleration of Diffusion LLM by Enabling KV Cache and Parallel Decoding [51.711605076319216]
  拡散に基づく大規模言語モデル (Diffusion LLM) は、並列復号機能を持つ非自己回帰テキスト生成を約束している。 本稿では,双方向拡散モデルに適したブロック単位で近似したKVキャッシュ機構を提案する。 本稿では,信頼しきい値を超えるトークンを選択的に復号し,依存関係違反を軽減し,生成品質を維持できる信頼度対応並列復号方式を提案する。
  論文  参考訳（メタデータ） (2025-05-28T17:39:15Z)
• DERMARK: A Dynamic, Efficient and Robust Multi-bit Watermark for Large Language Models [18.023143082876015]
  テキストを各ウォーターマークビットに対して可変長セグメントに分割する動的で効率的で堅牢なマルチビット透かし法を提案する。 本手法は,埋め込みビット当たりのトークン数を25%削減し,透かし埋め込み時間を50%削減し,テキスト修正や透かし消去攻撃に対して高い堅牢性を維持する。
  論文  参考訳（メタデータ） (2025-02-04T11:23:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。