論文の概要: Robust Text Watermarking for Large Language Models via Dual Semantic Embeddings

• arxiv url: http://arxiv.org/abs/2606.31602v2
• Date: Wed, 01 Jul 2026 11:58:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 15:15:53.086528
• Title: Robust Text Watermarking for Large Language Models via Dual Semantic Embeddings
• Title（参考訳）: デュアルセマンティック埋め込みによる大規模言語モデルのロバストテキスト透かし
• Abstract要約: 本研究は,大規模言語モデル(LLM)に対する意味的透かし方式を提案する。 Dual-Embedding Watermarking (DEW)は、文脈的およびトークンレベルの埋め込みを使用して、パラフレーズや翻訳に対する堅牢性を高める。
• 参考スコア（独自算出の注目度）: 2.992414059774663
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work presents Dual-Embedding Watermarking (DEW), a semantic watermarking scheme for large language models (LLMs) that leverages contextual and token-level embeddings to enhance robustness against paraphrasing and translation. DEW utilizes a signal-processing methodology, applying algebraic vector-space operations to token and context embeddings to derive a watermark signal that degrades gracefully under semantic shifts. The method obfuscates the watermark by projecting embedding vectors through pseudo-random matrices seeded with a secret key. Relevant distributions derived from the underlying algebra are evaluated and employed for statistical testing and benchmarking of DEW. Experimental results across multiple LLMs indicate that DEW improves post-paraphrase detection while maintaining competitive text quality, and remains detectable after translation, even when prior semantic watermarks degrade significantly. These findings position DEW as a practical and robust solution for safeguarding LLM-generated text and addressing critical issues in responsible AI deployment.
• Abstract（参考訳）: 本研究では,大言語モデル (LLM) に対する意味的透かし方式であるDual-Embedding Watermarking (DEW) を提案する。 DEWは信号処理手法を使用し、トークンやコンテキスト埋め込みに代数ベクトル空間演算を適用して、セマンティックシフトの下で優雅に劣化する透かし信号を導出する。 この方法は、秘密鍵でシードされた擬似ランダム行列を介して埋め込みベクトルを投影することにより、透かしを難読化する。 基礎となる代数から導出される関連する分布を評価し,DreWの統計的テストとベンチマークに利用した。 複数の LLM を対象とした実験結果から,DeW は文質の競争性を保ちながらパラフレーズ後検出を改良し,事前のセマンティックな透かしが著しく低下しても翻訳後も検出可能であることが示唆された。 これらの知見は、DewをLLM生成テキストの保護と、AIデプロイメントの責任を負う重要な問題に対処するための実用的で堅牢なソリューションと位置づけている。

関連論文リスト

• Toward Stronger Code Watermarking: A Grammar-Driven Approach to Optimizing the Trade-off Between Quality and Detectability [43.59505715248063]
  本稿では,Large Language Models (LLM) のためのGDW (Grammar-Driven Watermark) と呼ばれる新しいコード透かし手法を提案する。 GDWは文法誘導3レベルマスキング機構を通じて統語的妥当性を保ち、構造的役割認識変調により透かし信号を注入する。 GDWは,変数リネーム攻撃に対するロバスト性を維持しつつ,既存の手法よりも優れた品質-検出可能性トレードオフフロンティアを確立していることを示す。
  論文  参考訳（メタデータ） (2026-07-11T08:43:15Z)
• PASA: A Principled Embedding-Space Watermarking Approach for LLM-Generated Text under Semantic-Invariant Attacks [3.815798234276803]
  PASAは、原則付き、堅牢で、歪みのない透かしアルゴリズムである。 セマンティックレベルで透かしを埋め込んで検出する。
  論文  参考訳（メタデータ） (2026-05-09T01:09:01Z)
• Vaporizer: Breaking Watermarking Schemes for Large Language Model Outputs [2.5756681494057045]
  大規模言語モデル(LLM)の出力を透かし、最新の最先端のスキームについて検討する。 我々は、修正テキスト攻撃の広範囲な収集に対して、これらの透かし手法の有効性を分析する。
  論文  参考訳（メタデータ） (2026-05-08T09:24:29Z)
• SWAN: Semantic Watermarking with Abstract Meaning Representation [61.15962841972814]
  SWAN(Semantic Watermarking with Abstract Meaning Representation)は、文の意味構造に透かしシグネチャを埋め込む新しいフレームワークである。 シグネチャはセマンティック構造レベルでエンコードされるので、意味を保存するあらゆるパラフレーズはシグネチャを自動的に保存する。
  論文  参考訳（メタデータ） (2026-05-05T21:13:30Z)
• 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)
• In-Context Watermarks for Large Language Models [71.29952527565749]
  In-Context Watermarking (ICW)は、インシデントエンジニアリングのみで生成されたテキストに透かしを埋め込む。 粒度の異なる4つのICW戦略について検討した。 本実験は,モデルに依存しない実用的な透かし手法としてのICWの実現可能性を検証するものである。
  論文  参考訳（メタデータ） (2025-05-22T17:24:51Z)
• Entropy-Guided Watermarking for LLMs: A Test-Time Framework for Robust and Traceable Text Generation [58.85645136534301]
  サンプルテキストの既存の透かし方式は、テキスト品質の維持と各種攻撃に対する堅牢な検出とのトレードオフに直面していることが多い。 累積透かしエントロピー閾値を導入することにより,検出性とテキスト品質を両立させる新しい透かし方式を提案する。
  論文  参考訳（メタデータ） (2025-04-16T14:16:38Z)
• Topic-Based Watermarks for Large Language Models [46.71493672772134]
  本稿では,Large Language Model (LLM) 出力のための軽量なトピック誘導型透かし方式を提案する。 本手法は,Google の SynthID-Text など,業界をリードするシステムに匹敵する難易度を実現する。
  論文  参考訳（メタデータ） (2024-04-02T17:49:40Z)
• Token-Specific Watermarking with Enhanced Detectability and Semantic Coherence for Large Language Models [31.062753031312006]
  大規模言語モデルは、潜在的な誤報を伴う高品質な応答を生成する。 ウォーターマーキングは、テキストに隠れたマーカーを埋め込むことによって、この文脈において重要な意味を持つ。 ウォーターマーキングのための新しい多目的最適化(MOO)手法を提案する。 本手法は,検出性と意味的整合性を同時に達成する。
  論文  参考訳（メタデータ） (2024-02-28T05:43:22Z)
• WatME: Towards Lossless Watermarking Through Lexical Redundancy [58.61972059246715]
  本研究では,認知科学レンズを用いた大規模言語モデル(LLM)の異なる機能に対する透かしの効果を評価する。 透かしをシームレスに統合するための相互排他型透かし(WatME)を導入する。
  論文  参考訳（メタデータ） (2023-11-16T11:58:31Z)
• A Robust Semantics-based Watermark for Large Language Model against Paraphrasing [50.84892876636013]
  大規模言語モデル(LLM)は、様々な自然言語処理において優れた能力を示している。 LLMは不適切にも違法にも使用できるという懸念がある。 本稿ではセマンティクスに基づく透かしフレームワークSemaMarkを提案する。
  論文  参考訳（メタデータ） (2023-11-15T06:19:02Z)

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。