論文の概要: A Trustworthy Watermarking Framework for LLM-Generated Food Safety Content
- arxiv url: http://arxiv.org/abs/2609.06708v1
- Date: Sun, 06 Sep 2026 16:27:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.297136
- Title: A Trustworthy Watermarking Framework for LLM-Generated Food Safety Content
- Title（参考訳）: LLM生成食品安全コンテンツのための信頼できる透かしフレームワーク
- Abstract要約: ToSSは、適応的な二重透かしを用いた信頼性の高い認証手法である。
食品ドメインのテキストを含む複数のデータセットの実験は、TOSSが透かし容量と復号精度の両方で主要なパフォーマンスを達成することを実証している。
- 参考スコア（独自算出の注目度）: 15.174593961901031
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large language models are transforming many industries with their text generation abilities. However, their outputs can be easily tampered with, creating serious risks in critical areas such as food safety reporting. To protect the integrity and traceability of AI-generated content, this paper introduces ToSS (Token Oriented Repartitioning and Strategic Selection), a reliable authentication method using adaptive dual watermarking. The key innovation of ToSS is its dual watermark encoding approach that divides vocabulary tokens into black and white sublists, enabling precise bit-level embedding of traceability information. Additionally, an entropy adaptive mechanism dynamically selects text regions with high prediction uncertainty for watermark insertion, maintaining text fluency and factual accuracy while ensuring reliable traceability. Experiments on multiple datasets, including food domain texts, demonstrate that ToSS achieves leading performance in both watermark capacity and decoding accuracy.
- Abstract（参考訳）: 大規模言語モデルは、テキスト生成能力で多くの産業を変革している。
しかし、そのアウトプットは容易に改ざんされ、食品安全報告などの重要な領域で深刻なリスクが生じる。
本稿では,AI生成コンテンツの完全性とトレーサビリティを保護するため,適応型二重透かしを用いた信頼性の高い認証手法であるToSS(Token Oriented Repartitioning and Strategic Selection)を提案する。
ToSSの重要な革新は、語彙トークンを白黒サブリストに分割する二重透かし符号化方式であり、トレーサビリティ情報の正確なビットレベル埋め込みを可能にする。
さらに、エントロピー適応機構は、透かし挿入の予測不確実性の高いテキスト領域を動的に選択し、テキストの流速と事実精度を維持しつつ、信頼性の高いトレーサビリティを確保する。
食品ドメインのテキストを含む複数のデータセットの実験は、TOSSが透かし容量と復号精度の両方で主要なパフォーマンスを達成することを実証している。
関連論文リスト
- 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) - 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) - BiMark: Unbiased Multilayer Watermarking for Large Language Models [68.64050157343334]
テキスト品質とメッセージ埋め込み能力のバランスをとる新しい透かしフレームワークであるBiMarkを提案する。
BiMarkは、短いテキストに対して最大30%高い抽出率を達成すると同時に、低いパープレキシティで示されるテキスト品質を維持する。
論文 参考訳（メタデータ） (2025-06-19T11:08:59Z) - 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) - 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) - Topic-Based Watermarks for Large Language Models [46.71493672772134]
本稿では,Large Language Model (LLM) 出力のための軽量なトピック誘導型透かし方式を提案する。
本手法は,Google の SynthID-Text など,業界をリードするシステムに匹敵する難易度を実現する。
論文 参考訳（メタデータ） (2024-04-02T17:49:40Z) - Token-Specific Watermarking with Enhanced Detectability and Semantic Coherence for Large Language Models [31.062753031312006]
大規模言語モデルは、潜在的な誤報を伴う高品質な応答を生成する。
ウォーターマーキングは、テキストに隠れたマーカーを埋め込むことによって、この文脈において重要な意味を持つ。
ウォーターマーキングのための新しい多目的最適化(MOO)手法を提案する。
本手法は,検出性と意味的整合性を同時に達成する。
論文 参考訳（メタデータ） (2024-02-28T05:43:22Z) - Adaptive Text Watermark for Large Language Models [8.100123266517299]
プロンプトやモデルの知識を必要とせずに、強力なセキュリティ、堅牢性、および透かしを検出する能力を維持しつつ、高品質な透かしテキストを生成することは困難である。
本稿では,この問題に対処するための適応型透かし手法を提案する。
論文 参考訳（メタデータ） (2024-01-25T03:57:12Z) - 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) - A Resilient and Accessible Distribution-Preserving Watermark for Large Language Models [65.40460716619772]
本研究は,textbfDistribution-textbf Preserving (DiP)ウォーターマークの重要性に焦点をあてる。
現在の戦略とは対照的に,提案したDiPmarkは透かし中に元のトークン分布を同時に保存する。
言語モデルAPIにアクセスせずに検出可能で(アクセス可能)、トークンの適度な変更に対して確実に堅牢である。
論文 参考訳（メタデータ） (2023-10-11T17:57:35Z) - Towards Codable Watermarking for Injecting Multi-bits Information to LLMs [86.86436777626959]
大規模言語モデル(LLM)は、流布とリアリズムを増大させるテキストを生成する。
既存の透かし方式はエンコーディング非効率であり、多様な情報エンコーディングニーズに柔軟に対応できない。
テキスト透かしを複数ビットでカスタマイズ可能な情報を運ぶことができるCTWL (Codable Text Watermarking for LLMs) を提案する。
論文 参考訳（メタデータ） (2023-07-29T14:11:15Z)
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。