論文の概要: PURA: Provably Unbiased and Robust Multi-Bit Watermarking for AI-Generated Text Attribution

• arxiv url: http://arxiv.org/abs/2608.22218v2
• Date: Tue, 25 Aug 2026 03:57:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.059628
• Title: PURA: Provably Unbiased and Robust Multi-Bit Watermarking for AI-Generated Text Attribution
• Title（参考訳）: PURA:AI生成テキスト属性のための多ビット電子透かし
• Abstract要約: PURAは、テキスト属性に対する不偏で頑健なマルチビット透かし方式である。 PURAはトークンの確率を直接摂動するのではなく、鍵付き逆変換サンプリングによって潜在サンプリング空間にペイロードを埋め込む。 PURAは、高負荷体制において、既存の非バイアスベースラインを大幅に上回ることを示す。
• 参考スコア（独自算出の注目度）: 83.66032773976904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-grained attribution of AI-generated text is becoming increasingly important for accountability and auditing, yet existing multi-bit watermarking methods still struggle to simultaneously preserve the base generation distribution, support high-capacity payloads, and remain recoverable after editing. We present PURA, a provably unbiased and robust multi-bit watermarking method for text attribution. Instead of perturbing token probabilities directly, PURA embeds payloads in the latent sampling space via keyed inverse transform sampling, and recovers them by treating observed tokens as soft interval evidence and aggregating such evidence across the sequence. This design preserves the base generation distribution exactly while substantially improving recovery stability under post-editing and channel perturbations. Building on this recovery paradigm, we further develop a unified robustness analysis and show that, under bounded attack strength, the per-bit error probability decays exponentially with sequence length. Extensive experiments show that PURA substantially outperforms existing unbiased baselines in the high-payload regime. For example, when embedding 36 bits in 200 tokens, PURA achieves a 91.7\% message match rate, more than three times that of the strongest unbiased baseline, while preserving text quality and remaining statistically close to unwatermarked text, and incurring only millisecond-level verification overhead. Our code is available at
• Abstract（参考訳）: AI生成されたテキストの微細な属性は、説明責任と監査においてますます重要になっているが、既存のマルチビット透かし手法は、ベースジェネレーションの配布を同時に保存し、高容量ペイロードをサポートし、編集後も回復可能である。 PURAは、テキスト属性に対する不偏で頑健なマルチビット透かし方式である。 PURAは、トークンの確率を直接摂動するのではなく、鍵付き逆変換サンプリングによって潜在サンプリング空間にペイロードを埋め込み、観察されたトークンをソフトインターバル証拠として扱い、シーケンス全体でそのような証拠を集約することでそれらを回復する。 この設計は、後処理およびチャネル摂動下での回復安定性を著しく改善しつつ、ベースジェネレーション分布を正確に保存する。 このリカバリパラダイムに基づいて、統一ロバスト性解析を更に発展させ、境界攻撃強度の下では、ビット単位の誤差確率がシーケンス長で指数関数的に減衰することを示す。 大規模な実験により、PURAは高負荷状態において既存の非バイアスベースラインを大幅に上回っていることが示されている。 例えば、200個のトークンに36ビットを埋め込むと、PURAは91.7\%のメッセージマッチングレートを達成し、最強の非バイアスベースラインの3倍以上の精度でテキストの品質を保持し、統計的に非透かしテキストに近づき、ミリ秒レベルの検証オーバーヘッドしか発生しない。 私たちのコードは利用可能です

関連論文リスト

• A Locally Tokenized Generative Model for Robust Time-Series Watermarking [12.477366787279747]
  我々は,グローバルに結合した再符号化に依存する既存の検出器が,後処理攻撃によるヌル分布の双方向ドリフトに悩まされていることを示す。 本稿では,各離散トークンを短い連続したウィンドウから生成する生成モデルであるL-VQVAEと,このトークン空間上の透かし手法であるLVQMarkを提案する。
  論文  参考訳（メタデータ） (2026-08-20T07:25:41Z)
• Efficient Online LLM Watermark Detection via Rao-Blackwellized E-Processes [3.2639022787260266]
  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。
  論文  参考訳（メタデータ） (2026-07-24T04:10:36Z)
• Block-wise Codeword Embedding for Reliable Multi-bit Text Watermarking [1.534847923698733]
  我々は,このパラダイムをEmphdesignated Validationにシフトさせるフレームワークである textbfBREW (Block-wise Reliable Embedding for Watermarking) を提案する。 我々のフレームワークはモデルに依存しない理論上基礎があり、信頼性の高い法医学的展開のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2026-05-01T02:14:38Z)
• Alignment Imprint: Zero-Shot AI-Generated Text Detection via Provable Preference Discrepancy [51.887915969023965]
  現代のLarge Language Models (LLMs) がアライメントされ、測定可能な分布インプリントが残されていることを示す。 高エントロピー領域における不安定性を軽減するため、ログライクなアライメント・アライメント・プレフレパシー(LAPD)を導入する。 LAPDはアライメントインプリントに基づく標準化された情報重み統計である。
  論文  参考訳（メタデータ） (2026-04-18T09:12:24Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Analyzing and Evaluating Unbiased Language Model Watermark [62.982950935139534]
  UWbenchは、偏りのない透かし手法の原理的評価を専門とする、最初のオープンソースベンチマークである。 我々の枠組みは理論的な貢献と経験的な貢献を組み合わせている。 我々は,非バイアス性,検出性,堅牢性という3軸評価プロトコルを確立し,トークン改質攻撃がパラフレーズベースの手法よりも安定したロバストネス評価を提供することを示す。
  論文  参考訳（メタデータ） (2025-09-28T19:46:01Z)
• 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)
• 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)

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。