論文の概要: A Survey on LLM Watermarking: Theory and Deployment

• arxiv url: http://arxiv.org/abs/2607.10103v1
• Date: Sat, 11 Jul 2026 03:42:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.302456
• Title: A Survey on LLM Watermarking: Theory and Deployment
• Title（参考訳）: LLMウォーターマーキングに関する調査:理論と展開
• Abstract要約: 大規模言語モデル (LLMs) は、大規模にインパクトのある流動的なテキストに徐々に組み込まれている。 モデル出力に見えないシグネチャを埋め込んだLLMの透かしは、帰属、監査、下流の信頼決定のための有望な技術的レイヤである。 この調査は、LLMウォーターマーキングの体系的でデプロイメント指向のレビューを提供する。
• 参考スコア（独自算出の注目度）: 10.767016439964827
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large language models (LLMs) are increasingly embedded in high-impact workflows, yet their ability to generate fluent text at scale has amplified risks of provenance ambiguity, model misuse, and large-scale content laundering. LLM watermarking, embedding invisible signatures into model outputs, has emerged as a promising technical layer for attribution, auditing, and downstream trust decisions. However, the literature has grown rapidly and unevenly: existing categorizations often mix orthogonal design choices, making it difficult to compare methods, reason about guarantees, or translate research results into deployable systems. This survey provides a systematic, deployment-oriented review of LLM watermarking. We organize the space by the core questions practitioners must answer: where a watermark is embedded (generation-time vs. training-time, token vs. representation), who can detect it (public vs. private detection authority), what is assumed (access to logits, sampling control, secret keys, model ownership), and which threat models are targeted (paraphrasing, translation, summarization, style transfer, token manipulation, and adaptive removal). We synthesize the main families of techniques-including sampling biasing, code-based schemes, representation- and training-based approaches-and analyze their security-utility trade-offs through the lens of detectability, robustness, and distribution shift. We further review attack and evasion strategies, evaluation protocols and metrics (false positive control, calibration, robustness curves), and open challenges such as cross-model transfer, multi-modal pipelines, collusion, and governance constraints. Finally, we provide practical guidance for selecting watermark designs under real operational requirements and identify research directions needed for reliable, accountable LLM deployment.
• Abstract（参考訳）: 大規模言語モデル(LLM)は、ハイインパクトなワークフローにますます組み込まれているが、大規模に流動的なテキストを生成する能力は、前例の曖昧さ、モデル誤用、大規模コンテンツロンダリングのリスクを増幅している。 モデル出力に見えないシグネチャを埋め込んだLCM透かしは、帰属、監査、下流の信頼決定のための有望な技術レイヤとして登場した。 しかし、文献は急速に不均一に成長し、既存の分類は直交的な設計選択を混在させることがしばしばあり、方法の比較や保証の推論、研究結果をデプロイ可能なシステムに翻訳することは困難である。 この調査は、LLMウォーターマーキングの体系的でデプロイメント指向のレビューを提供する。 ウォーターマークが埋め込まれた場所(世代間、トレーニング時間、トークン対表現)、それを検出できる場所(パブリック対プライベート検出権限)、想定される場所(ログへのアクセス、サンプリング制御、シークレットキー、モデルオーナシップ)、どの脅威モデルがターゲットになっているか(言い換え、翻訳、要約、スタイル転送、トークン操作、適応削除)。 我々は,サンプリングバイアス,コードに基づくスキーム,表現に基づくアプローチ,訓練に基づくアプローチを含むテクニックのメインファミリーを合成し,検出性,堅牢性,分散シフトのレンズを通して,それらのセキュリティユーティリティトレードオフを分析する。 さらに、攻撃・回避戦略、評価プロトコル、メトリクス(偽陽性制御、校正、堅牢性曲線)、およびクロスモデル転送、マルチモーダルパイプライン、衝突、ガバナンス制約といったオープンな課題について検討する。 最後に,実際の運用要件下での透かし設計の選択と信頼性の高いLCM展開に必要な研究方向を特定するための実践的ガイダンスを提供する。

関連論文リスト

• Robust Text Watermarking for Large Language Models via Dual Semantic Embeddings [2.992414059774663]
  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。
  論文  参考訳（メタデータ） (2026-06-30T12:51:30Z)
• 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)
• SWAP: Towards Copyright Auditing of Soft Prompts via Sequential Watermarking [58.475471437150674]
  ソフトプロンプト(SWAP)のための逐次透かしを提案する。 SWAPは、特定のディフェンダー指定のアウト・オブ・ディストリビューション・クラスを通じて、透かしを符号化する。 11のデータセットの実験では、SWAPの有効性、無害性、および潜在的適応攻撃に対する堅牢性を示す。
  論文  参考訳（メタデータ） (2025-11-05T13:48:48Z)
• Position: LLM Watermarking Should Align Stakeholders' Incentives for Practical Adoption [94.887133335656]
  私たちはこのレンズを通して透かしの3つのクラスを見直します。 emphLLMテキスト透かしは、反ミスツールとしてのみフレーム化された場合に、控えめなプロバイダの利点を提供する。 emphIn-context watermarking (ICW)は、会議の主催者や教育者といった信頼できる関係者向けに調整されている。
  論文  参考訳（メタデータ） (2025-10-21T06:34:51Z)
• 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)
• Character-Level Perturbations Disrupt LLM Watermarks [64.60090923837701]
  我々は,Large Language Model (LLM)ウォーターマーキングのためのシステムモデルを定式化する。 我々は、透かし検出器への限られたアクセスに制約された2つの現実的な脅威モデルの特徴付けを行う。 我々は,最も制限的な脅威モデルの下で,キャラクタレベルの摂動が透かし除去に著しく有効であることを実証した。 現実的な制約下での透かし除去における文字レベルの摂動の優位性と遺伝的アルゴリズム(GA)の有効性を実験的に検証した。
  論文  参考訳（メタデータ） (2025-09-11T02:50:07Z)
• 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)
• Towards Copyright Protection for Knowledge Bases of Retrieval-augmented Language Models via Reasoning [58.57194301645823]
  大規模言語モデル(LLM)は、現実のパーソナライズされたアプリケーションにますます統合されている。 RAGで使用される知識基盤の貴重かつしばしばプロプライエタリな性質は、敵による不正使用のリスクをもたらす。 これらの知識基盤を保護するための透かし技術として一般化できる既存の方法は、一般的に毒やバックドア攻撃を含む。 我々は、無害な」知識基盤の著作権保護の名称を提案する。
  論文  参考訳（メタデータ） (2025-02-10T09:15:56Z)
• Learnable Linguistic Watermarks for Tracing Model Extraction Attacks on Large Language Models [20.44680783275184]
  モデル抽出攻撃に対する現在の透かし技術は、モデルロジットの信号挿入や生成されたテキストの後処理に依存している。 大規模言語モデル(LLM)に学習可能な言語透かしを埋め込む新しい手法を提案する。 制御ノイズをトークン周波数分布に導入し,統計的に識別可能な透かしを埋め込むことにより,LLMの出力分布を微調整する。
  論文  参考訳（メタデータ） (2024-04-28T14:45:53Z)

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。