論文の概要: DHMark: Public-Key Watermarking for LLM-Generated Text via Diffie-Hellman-Guided Rejection Sampling

• arxiv url: http://arxiv.org/abs/2608.03093v1
• Date: Tue, 04 Aug 2026 04:08:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 07:04:20.694111
• Title: DHMark: Public-Key Watermarking for LLM-Generated Text via Diffie-Hellman-Guided Rejection Sampling
• Title（参考訳）: DHMark:Diffie-Hellman-Guided Rejection SmplingによるLLM生成テキストの公開鍵透かし
• Abstract要約: DHMarkは、大規模言語モデル(LLM)生成テキストのための公開鍵透かしフレームワークである。 生成中、ディフィー・ヘルマン誘導トークンラベルインターフェースは、各候補トークンに公開方程式投票を割り当てる。 第三者の検証者は、公開情報を使ってトークンの投票を抽出し、それらを方程式レベルの証拠に集約し、署名された登録記録のみをスコアする。
• 参考スコア（独自算出の注目度）: 3.785115615093019
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large language model (LLM) watermarking provides an important mechanism for tracing the provenance of generated text. Existing statistical watermarks are often effective and robust, but most of them rely on private detection keys, which centralizes verification and complicates public auditing. Recent public or publicly verifiable watermarking schemes improve key management, yet many of them rely on exact recovery of embedded cryptographic strings, making them fragile under token edits, truncation, copy-paste, and low-entropy generation. This paper introduces DHMark, a public-key watermarking framework for LLM-generated text. The key idea is to separate payload authorization from noisy textual evidence. An issuer signs a short registry payload bound to a public context, and the payload is expanded into many one-bit equations. During generation, a Diffie-Hellman-guided token-labeling interface assigns each candidate token a public equation vote, and the sampler softly or selectively promotes candidates whose votes agree with the authorized payload. During verification, third-party verifiers use public information to extract token votes, aggregate them into equation-level evidence, and score only signed registry records. This design avoids exact recovery of a long embedded signature and instead treats watermark detection as registry-aided statistical evidence aggregation. We formalize the public-verification setting, analyze label pseudorandomness, registry-backed soundness, and sampling distortion, and evaluate a prototype under truncation, substitution, copy-paste, wrong-context, and plain-generation attacks. In the default 32-bit configuration, DHMark maintains at least a 0.967 valid rate across eight edit conditions while yielding a 0.000 acceptance rate on three negative controls.
• Abstract（参考訳）: 大規模言語モデル(LLM)の透かしは、生成されたテキストをトレースするための重要なメカニズムを提供する。 既存の統計透かしはしばしば有効で堅牢であるが、そのほとんどは、検証を集中化し、公衆監査を複雑化するプライベートな検出キーに依存している。 最近の公開または公に検証された透かし方式は鍵管理を改善するが、その多くが埋め込まれた暗号文字列の正確な復元に依存しており、トークン編集、トランケーション、コピー・ペースト、低エントロピー生成において脆弱である。 本稿では,LLM生成テキストのための公開鍵透かしフレームワークであるDHMarkを紹介する。 鍵となるアイデアは、ペイロードの認可をノイズの多いテキストの証拠から分離することだ。 発行者は、公開コンテキストにバインドされた短いレジストリペイロードに署名し、ペイロードを多くの1ビット方程式に拡張する。 生成中、Diffie-Hellman-Guidedトークンラベルインターフェースは、各候補トークンに公開方程式投票を割り当て、サンプリング器は、承認されたペイロードに賛成する候補をソフトまたは選択的に促進する。 検証の間、第三者の検証者は、公開情報を使用してトークンの投票を抽出し、それらを方程式レベルの証拠に集約し、署名された登録記録のみをスコアする。 この設計は、長い組込みシグネチャの正確な回復を回避し、代わりに、透かし検出をレジストリ支援の統計証拠集計として扱う。 我々は,公的な検証設定を定式化し,ラベルの擬似ランダム性,レジストリ支援された音質,サンプリング歪みを解析し,トランケーション,置換,コピーペースト,誤コンテキスト,原世代攻撃によるプロトタイプの評価を行う。 デフォルトの32ビット構成では、DHMarkは8つの編集条件に対して少なくとも0.967の有効率を維持し、負の3つの制御に対して0.000の受け入れ率を得る。

関連論文リスト

• DenMark: Robust Semantic Watermarking for Diffusion Language Models [56.836684262732994]
  DenMarkは拡散言語モデル(DLM)のセマンティックな透かしフレームワークである 鍵依存的な信号をDLM復調プロセスに直接注入する。 出力を固定トークン領域に分割し、一時ロールアウトをセマンティックルックヘッドとして使用する。 検出のために、DenMarkは、セマンティックアタックによって導入されたバウンダリシフトに対する堅牢性を維持するために、候補ユニットサイズをキャリブレーションしたスキャンを使用する。
  論文  参考訳（メタデータ） (2026-09-13T03:37:48Z)
• 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)
• Selective Disclosure Watermarking for Large Language Models [16.579884795891754]
  埋め込みメタデータの選択的開示を可能にする透かしフレームワークである階層語彙ルーティング(HeRo)を提案する。 提案手法は, サンプリングプロセスの非偏りを保ち, テキストの品質を維持できることを示す。
  論文  参考訳（メタデータ） (2026-07-06T17:32:01Z)
• VOW: Verifiable and Oblivious Watermark Detection for Large Language Models [4.920744236528847]
  プライバシー保護と暗号的に検証可能な透かし検出の両方を実現する新しいプロトコルを提案する。 VOWは短いテキストに対して実用的であり、現代のパラフレーズ攻撃に対する透かしの堅牢性の重要な再評価を提供する。
  論文  参考訳（メタデータ） (2026-04-30T10:02:18Z)
• Unforgeable Watermarks for Language Models via Robust Signatures [12.643204293013007]
  非鍛造性と回復性という2つの新しい保証を導入する。 我々は、堅牢で、鍛造不可能で、回収可能な最初の検出不能な透かし方式を構築した。
  論文  参考訳（メタデータ） (2026-02-17T03:09:06Z)
• MerkleSpeech: Public-Key Verifiable, Chunk-Localised Speech Provenance via Perceptual Fingerprints and Merkle Commitments [0.0]
  本稿では,公開鍵検証・チャンク局所音声認識システムであるMerkleSpeechを提案する。 このシステムは、短い音声チャンク上で知覚指紋を計算し、それを発行キーで署名されたMerkleツリーにコミットする。 我々は,再サンプリング,帯域通過フィルタ,付加雑音下での極めて低い偽陽性率を目標とした実験を行った。
  論文  参考訳（メタデータ） (2026-02-10T11:58:19Z)
• 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)
• A Nested Watermark for Large Language Models [6.702383792532788]
  大型言語モデル(LLM)は偽ニュースや誤情報を生成するために誤用されることがある。 本稿では、2つの異なる透かしを生成されたテキストに埋め込む新しいネスト付き透かし方式を提案する。 提案手法は,テキストの流速と全体的な品質を維持しつつ,両透かしの高精度な検出を実現する。
  論文  参考訳（メタデータ） (2025-06-18T05:49:05Z)
• Large Language Model Watermark Stealing With Mixed Integer Programming [51.336009662771396]
  大きな言語モデル(LLM)の透かしは、著作権に対処し、AI生成したテキストを監視し、その誤用を防ぐことを約束している。 近年の研究では、多数のキーを用いた透かし手法は、攻撃の除去に影響を受けやすいことが示されている。 我々は,最先端のLLM透かしスキームに対する新たなグリーンリスト盗難攻撃を提案する。
  論文  参考訳（メタデータ） (2024-05-30T04:11:17Z)
• Watermarking Language Models for Many Adaptive Users [47.90822587139056]
  証明可能な保証付き言語モデルの透かし方式について検討する。 モデル生成テキストを個々のユーザに対してトレース可能なマルチユーザ透かしを導入する。 検出不能なChrist, Gunn, Zamir (2024) のゼロビットスキームが適応的に堅牢であることを証明する。
  論文  参考訳（メタデータ） (2024-05-17T22:15:30Z)
• Improving the Generation Quality of Watermarked Large Language Models via Word Importance Scoring [81.62249424226084]
  トークンレベルの透かしは、トークン確率分布を変更して生成されたテキストに透かしを挿入する。 この透かしアルゴリズムは、生成中のロジットを変化させ、劣化したテキストの品質につながる可能性がある。 We propose to improve the quality of texts generated by a watermarked language model by Watermarking with Importance Scoring (WIS)。
  論文  参考訳（メタデータ） (2023-11-16T08:36:00Z)
• An Unforgeable Publicly Verifiable Watermark for Large Language Models [84.2805275589553]
  現在の透かし検出アルゴリズムは、透かし生成プロセスで使用される秘密鍵を必要としており、公開検出中にセキュリティ違反や偽造の影響を受ける。 両段階で同じキーを使用するのではなく、2つの異なるニューラルネットワークを用いて透かしの生成と検出を行う。
  論文  参考訳（メタデータ） (2023-07-30T13:43:27Z)
• Who Wrote this Code? Watermarking for Code Generation [53.24895162874416]
  本稿では,機械生成テキストを検出するために,Entropy Thresholding (SWEET) を用いたSelective WatErmarkingを提案する。 実験の結果,SWEETはコード品質を著しく向上し,すべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-05-24T11:49:52Z)
• A Watermark for Large Language Models [84.95327142027183]
  本稿では,プロプライエタリな言語モデルのための透かしフレームワークを提案する。 透かしはテキストの品質に無視できない影響で埋め込むことができる。 言語モデルAPIやパラメータにアクセスすることなく、効率的なオープンソースアルゴリズムを使って検出することができる。
  論文  参考訳（メタデータ） (2023-01-24T18:52:59Z)

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。