論文の概要: ChainMark: Model-Free LLM Watermarking with Closed-Form Calibration

• arxiv url: http://arxiv.org/abs/2607.18445v1
• Date: Mon, 20 Jul 2026 18:56:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.217976
• Title: ChainMark: Model-Free LLM Watermarking with Closed-Form Calibration
• Title（参考訳）: ChainMark: クローズドフォームキャリブレーションによるモデルフリーLCM透かし
• Abstract要約: ChainMarkは、キー付きSHA-256を介して語彙をS状態に分割するアクティブな透かしである。 我々は、ターゲットFPR、テキストの長さ、予算を最小状態数にマッピングする閉形式S*(n, rho, α)を導出する。
• 参考スコア（独自算出の注目度）: 2.1485350418225244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regulatory regimes such as the EU AI Act mandate machine-readable marking of synthetic text, but existing watermark detectors rely on the generating LM and on heuristic thresholds with no closed-form calibration. We introduce ChainMark, an active watermark that partitions the vocabulary into S states via keyed SHA-256 and forces a hard Markov transition on a fraction rho of positions; the detector replays the partition from the same key in O(n) hash operations, with no LM access. We derive a closed-form S*(n, rho, alpha) mapping a target FPR, text length, and budget to the minimum state count (Theorem 1), prove a universal robustness threshold delta* = 1 - 1/sqrt(2) approximately 29.3% that is invariant in (S, rho, n) (Theorem 2), and generalise both to any k-regular transition topology (Theorem 3). Across three instruction-tuned LLMs and four domains, ChainMark strictly dominates KGW and SWEET under translation and random-substitution attacks at matched budget; a one-corpus empirical recalibration restores the 1% target FPR on natural-language text.
• Abstract（参考訳）: EU AI Actのような規制体制は、機械可読な合成テキストのマーキングを義務付けるが、既存の透かし検出器は、LMの生成と、クローズドフォームキャリブレーションのないヒューリスティックしきい値に依存している。 キー付きSHA-256を介して語彙をS状態に分割し、少数の位置でハードマルコフ遷移を強制する活性な透かしであるChainMarkを導入し、検出器はO(n)ハッシュ操作で同じキーから分割を再生する。 対象 FPR, テキスト長, 予算を最小状態数 (Theorem 1) にマッピングした閉形式 S*(n, rho, α) を導出し, デルタ* = 1 - 1/sqrt(2) を (S, rho, n) (Theorem 2) で不変である約 29.3% で証明し, k-正則遷移位相を一般化する(Theorem 3)。 3つの命令調整 LLM と4つのドメインにわたって、ChainMark は翻訳と一致した予算でのランダム置換攻撃において、KGW と SWEET を厳密に支配している。

関連論文リスト

• Relational Over-Regularization: Graph-Based AI-Generated Text Detection via Sentence Transition Deviation [4.4331439696271415]
  CrossSource Stylometric Fingerprint (CSFG) はグラフベースのフレームワークで、位置、シーケンシャル、セマンティック、遷移の偏差信号を学習可能なGNNエッジとして符号化する。 CSFGは2値検出で97.14%の精度を達成し、11.14ppsで最強のグラフベースのベースラインを上回った。
  論文  参考訳（メタデータ） (2026-08-27T06:51:40Z)
• Tracing Provenance and Detecting Tampering with Complementary LLM Watermarks [68.64050157343334]
  既存の透かしは編集の際は残されているが、このような堅牢性は、敵が帰属を維持しながら重要な内容を変更することを可能にする。 実証と改ざんの証拠を共同で提供する革新的な透かしを導入する。 信号は同じメカニズムを共有するが、独立キーと正規化テキスト上の異なるシードウィンドウを使用するため、一方は編集に耐性があり、もう一方は読み取り可能な変更に敏感である。
  論文  参考訳（メタデータ） (2026-08-13T01:55:16Z)
• SAMark: A Self-Anchored Text Watermarking with Paragraph-Level Paraphrase Robustness [71.08096624551246]
  段落レベルのパラフレーズに対するロバスト性は、このような攻撃が文順を変化させることで、世界規模で透かし信号を破壊するため、依然として困難である。 本稿では,意味空間内にステップ非依存のグリーン領域を確立することで文順依存を除去する自己認識型透かしフレームワークSAMarkを提案する。 実験の結果、SAMarkは通常の段落レベルのパラフレーズ攻撃で最大90.2%のTP@FP1%を達成することがわかった。
  論文  参考訳（メタデータ） (2026-05-25T12:46:15Z)
• SLAM: Structural Linguistic Activation Marking for Language Models [8.088060862901143]
  我々は、トークン周波数ではなく構造幾何学にマークを書くことで、このコストを助長する新しいホワイトボックス透かし方式SLAMを提案する。 Gemma-2Bおよび9Bでは、SLAMは1-2の報酬ポイントのみの品質コストで100%検出精度を達成する。
  論文  参考訳（メタデータ） (2026-05-06T21:11:17Z)
• SignSparK: Efficient Multilingual Sign Language Production via Sparse Keyframe Learning [54.232148007248874]
  現在の手話生産(SLP)フレームワークは、まさにトレードオフに直面している。 本研究では,スペースを利用した新たなトレーニングパラダイムを提案し,人間の署名の真の基盤となる分布を捉える。 これらの離散的なアンカーから高密度な動きを予測することにより、流体の調音を確実にしながら、回帰から平均への移動を緩和する。
  論文  参考訳（メタデータ） (2026-03-11T06:02:36Z)
• Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
  機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。 本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T16:06:12Z)
• HATS: High-Accuracy Triple-Set Watermarking for Large Language Models [12.046442787235108]
  本稿では,各復号段階における語彙を3つの集合に分割する透かしを提案する。 検出時に同じパーティションを再生し、グリーンエンリッチメントとレッドデプレクションの統計を計算し、それらを一方のzスコアに変換し、p値を集約する。 我々はLlama 2 7Bで生成、検出、テストを行い、真陽性率、偽陽性率、テキスト品質を評価した。
  論文  参考訳（メタデータ） (2025-12-22T13:23:29Z)
• PMark: Towards Robust and Distortion-free Semantic-level Watermarking with Channel Constraints [49.2373408329323]
  大規模言語モデル(LLM)のための透かしレベル(SWM)に関する新しい理論フレームワークを提案する。 PMarkは単純だが強力なSWM手法であり、サンプリングチャネルを通して中央値の次文を動的に推定する。 実験結果から,PMarkはテキスト品質とパラフレージングの両方において,既存のSWMベースラインを一貫して上回ることがわかった。
  論文  参考訳（メタデータ） (2025-09-25T12:08:31Z)
• Not all tokens are created equal: Perplexity Attention Weighted Networks for AI generated text detection [49.15148871877941]
  大規模言語モデル(LLM)の検出に理論的に魅力的なアプローチを提供する次点分布出力 本稿では,LLMの最後の隠蔽状態を用いて,列長の次トーケン分布のメトリクスに基づく一連の特徴量の重み付けを行うパープレキシティ注意重み付けネットワーク(PAWN)を提案する。 PAWNは、トレーニング可能なパラメータのごく一部を持つ最強のベースラインよりも、競争力があり、より優れた分散性能を示している。
  論文  参考訳（メタデータ） (2025-01-07T17:00:49Z)

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。