論文の概要: Efficient Online LLM Watermark Detection via Rao-Blackwellized E-Processes

• arxiv url: http://arxiv.org/abs/2607.21958v1
• Date: Fri, 24 Jul 2026 04:10:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.043556
• Title: Efficient Online LLM Watermark Detection via Rao-Blackwellized E-Processes
• Title（参考訳）: Rao-Blackwellized E-Processesによる効率的なオンラインLLM透かし検出
• Authors: Lu Luo, Dandan Mo, Chengdong Xu, Ting Li, Jinhan Xie, Huiqiong Li, Niansheng Tang,
• Abstract要約: 我々は,Rao-Blackwellized e-processes に基づく任意の時間価推論による効率的なオンライン透かし検出フレームワークを開発した。 実テキスト上でのシミュレーションと実験により、厳密な正当性保証による効率的なオンライン検出が実証された。
• 参考スコア（独自算出の注目度）: 3.2639022787260266
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As large language models (LLMs) are increasingly deployed, reliable and efficient mechanisms for distinguishing AI-generated text from human-written content have become essential. Statistical watermarking has emerged as a promising solution, yet most existing methods are typically fixed-horizon procedures, precluding valid early stopping in streaming generation. In this paper, we develop an efficient online watermark detection framework with anytime-valid inference based on Rao-Blackwellized e-processes, enabling recursive token-level evidence updates without storing the full history. In particular, we instantiate the framework for the Gumbel-max watermark and reduce the original token-level dependence testing problem to a pivot-induced sequential testing problem with an explicit null distribution. Theoretically, we prove anytime-valid Type I error control under arbitrary optional stopping and establish positive asymptotic log-growth under watermarking, implying consistency of the proposed stopping rules. Simulations and experiments on real LLM-generated text demonstrate efficient online detection with rigorous anytime-valid guarantees.
• Abstract（参考訳）: 大規模言語モデル(LLM)がますますデプロイされるにつれて、AI生成したテキストと人間が書いたコンテンツとを区別するための信頼性と効率的なメカニズムが不可欠になっている。 統計的透かしは有望な解決策として現れてきたが、既存の手法の多くは固定水平法であり、ストリーミング生成の有効な早期停止を排除している。 本稿では,Rao-Blackwellized e-processesをベースとした任意の時間値推論による効率的なオンライン透かし検出フレームワークを開発し,全履歴を保存せずにトークンレベルの再帰的なエビデンス更新を可能にする。 特に、Gumbel-max透かしのフレームワークをインスタンス化し、トークンレベルの依存性試験問題を明示的なnull分布を持つピボット誘導シーケンシャルテスト問題に還元する。 理論的には、任意の停止条件下での任意の時間価型I誤差制御を証明し、ウォーターマーキングにより正の漸近性対数成長を確立し、提案した停止規則の整合性を示唆する。 実 LLM 生成テキストのシミュレーションと実験により,厳密な正当性保証による効率的なオンライン検出が実証された。

関連論文リスト

• PromptMark: A Prompt-Guided Iterative-Feedback Framework for Source Code Watermarking [0.5798758080057375]
  我々は,ブラックボックス,プロンプト誘導型透かしフレームワークであるPromptMarkを提案する。 目に見えないが統計的に検出可能な信号を、構造化された入力命令によって生成されたコードに埋め込む。 PromptMarkは、高いコードの正確性を維持しながら、強い透かし検出性を一貫して達成している。
  論文  参考訳（メタデータ） (2026-06-18T18:21:38Z)
• Towards Anytime-Valid Statistical Watermarking [63.02116925616554]
  我々は、任意の時間価推論で最適なサンプリングを統一する、最初のe-value-based watermarking frameworkであるAnchored E-Watermarkingを開発した。 本フレームワークはサンプル効率を大幅に向上させ,最先端のベースラインに対して,検出に必要な平均トークン予算を13～15%削減する。
  論文  参考訳（メタデータ） (2026-02-19T18:32:26Z)
• Online LLM watermark detection via e-processes [3.0870861759929977]
  電子プロセスに基づく透かし検出のための統一的なフレームワークを開発する。 本稿では,検出能力を向上する実証的適応型電子プロセスを構築するための様々な手法を提案する。 いくつかの実験により,提案手法は既存の透かし検出法と比較して競争性能が高いことが示された。
  論文  参考訳（メタデータ） (2026-02-15T19:37:06Z)
• 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)
• 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)
• GaussMark: A Practical Approach for Structural Watermarking of Language Models [61.84270985214254]
  GaussMarkは、大規模な言語モデルを透かし出すためのシンプルで効率的で比較的堅牢なスキームである。 GaussMarkは信頼性が高く、効率的で、挿入、削除、置換、ラウンドトリップ翻訳などの汚職に対して比較的堅牢であることを示す。
  論文  参考訳（メタデータ） (2025-01-17T22:30:08Z)
• Theoretically Grounded Framework for LLM Watermarking: A Distribution-Adaptive Approach [53.32564762183639]
  大規模言語モデル(LLM)の透かしのための新しい統一的理論フレームワークを導入する。 本研究の目的は,最悪の偽陽性率(FPR)の制御とテキスト品質の歪みを維持しつつ,検出性能を最大化することである。 モデル非依存と効率性に代えて代理モデルを利用する歪みのない分散適応型透かしアルゴリズム(DAWA)を提案する。
  論文  参考訳（メタデータ） (2024-10-03T18:28:10Z)
• A Statistical Framework of Watermarks for Large Language Models: Pivot, Detection Efficiency and Optimal Rules [27.382399391266564]
  我々は,透かしの統計的効率と強力な検出規則を推論するための枠組みを導入する。 枠組みに基づく透かしの最適検出規則を導出する。
  論文  参考訳（メタデータ） (2024-04-01T17:03:41Z)

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。