論文の概要: TripPattern: A Pattern-based Text Watermarking Method for Large Language Models

• arxiv url: http://arxiv.org/abs/2609.12472v1
• Date: Fri, 11 Sep 2026 06:14:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-15 07:38:31.640072
• Title: TripPattern: A Pattern-based Text Watermarking Method for Large Language Models
• Title（参考訳）: TripPattern:大規模言語モデルのためのパターンベースのテキスト透かし手法
• Abstract要約: TripPatternは、大規模言語モデル(LLM)のためのパターンベースの透かしフレームワークである。 TripPatternは語彙を1つの中性基と2つのパターン群に分割する。 生成中に、2つのパターン群間のトークン選択を交換して検出可能なパターンを埋め込む一方、中立トークンは独立して選択され、柔軟性が向上し、自然性が保たれる。 検出には、TripPatternがパターンベースの統計テストを使用しており、パターン群間で隣り合うトークンがどのように交互に変わるかを測定することによって、解釈可能なp値を提供する。
• 参考スコア（独自算出の注目度）: 66.60718824378505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text watermarking techniques have gained significant attention for identifying machine-generated text and mitigating risks from large language models (LLMs). Existing methods typically divide an LLM's vocabulary into green and red tokens, but encouraging generation toward green tokens can reduce text quality and naturalness. To address this, we propose TripPattern, a watermarking framework that formulates text watermarking as a pattern-based matching task using three vocabulary partitions. TripPattern divides the vocabulary into one neutral group and two pattern groups. During generation, the model alternates token selection between the two pattern groups to embed detectable patterns, while neutral tokens are selected independently to improve flexibility and preserve naturalness. For detection, TripPattern uses pattern-based statistical tests that provide interpretable p-values by measuring how often adjacent tokens alternate between the pattern groups. Theoretical analysis and empirical evaluations on four multilingual datasets show that TripPattern maintains LLM generation quality while achieving robust watermark detectability.
• Abstract（参考訳）: テキスト透かし技術は、機械が生成したテキストを識別し、大きな言語モデル(LLM)からのリスクを軽減するために注目されている。 既存の方法は通常、LLMの語彙を緑と赤のトークンに分割するが、グリーントークンに対する生成を奨励することは、テキストの品質と自然性を低下させる。 そこで本研究では,3つの語彙分割を用いたパターンベースのマッチングタスクとして,テキスト透かしを定式化する透かしフレームワークTripPatternを提案する。 TripPatternは語彙を1つの中性基と2つのパターン群に分割する。 生成中は、2つのパターン群間のトークン選択を交換して検出可能なパターンを埋め込む一方、中立トークンは独立して選択され、柔軟性が向上し、自然性が保たれる。 検出には、TripPatternがパターンベースの統計テストを使用しており、パターン群間で隣り合うトークンがどのように交互に変わるかを測定することによって、解釈可能なp値を提供する。 4つの多言語データセットの理論的解析と実証評価により、TripPatternは、堅牢な透かし検出性を達成しつつ、LLM生成品質を維持していることが示された。

関連論文リスト

• RepreGuard: Detecting LLM-Generated Text by Revealing Hidden Representation Patterns [50.401907401444404]
  大規模言語モデル(LLM)は、誤用を防止し、信頼できるAIシステムを構築するために不可欠である。 本稿では,統計量に基づく効率的な検出手法であるRepreGuardを提案する。 実験結果から、RepreGuardは、平均94.92%のAUROCですべてのベースラインでID(in-distriion)とOOD(OOD)の両方のシナリオでパフォーマンスが向上していることが示された。
  論文  参考訳（メタデータ） (2025-08-18T17:59:15Z)
• 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)
• Three Bricks to Consolidate Watermarks for Large Language Models [13.559357913735122]
  本研究は,3つの理論的および経験的考察に基づいて,大規模言語モデルの透かしを統合する。 まず、低い偽陽性率でも有効である、堅牢な理論的保証を提供する新しい統計テストを導入する。 第二に、自然言語処理の分野における古典的なベンチマークを用いた透かしの有効性を比較し、実世界の応用性について考察する。
  論文  参考訳（メタデータ） (2023-07-26T17:56:36Z)
• DPIC: Decoupling Prompt and Intrinsic Characteristics for LLM Generated Text Detection [56.513637720967566]
  大規模言語モデル(LLM)は、盗作、eコマースプラットフォームへの偽レビューの設置、炎症性偽ツイートなどの誤用のリスクを引き起こすテキストを生成することができる。 既存の高品質な検出手法では、本質的な特徴を抽出するために、モデルの内部にアクセスする必要がある。 ブラックボックスモデル生成テキストの深い内在特性を抽出する。
  論文  参考訳（メタデータ） (2023-05-21T17:26:16Z)
• Stylized Data-to-Text Generation: A Case Study in the E-Commerce Domain [53.22419717434372]
  本稿では,特定のスタイルに従ってコヒーレントテキストを生成することを目的とした新しいタスク,すなわちスタイル化されたデータ・テキスト生成を提案する。 このタスクは、生成されたテキストのロジック、構造化されていないスタイル参照、バイアスのあるトレーニングサンプルという3つの課題のため、簡単ではない。 本稿では,論理計画型データ埋め込み,マスク型スタイル埋め込み,非バイアス型スタイリングテキスト生成の3つのコンポーネントからなる,新しいスタイル付きデータ・テキスト生成モデルであるStyleD2Tを提案する。
  論文  参考訳（メタデータ） (2023-05-05T03:02:41Z)
• 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)
• Towards Computationally Verifiable Semantic Grounding for Language Models [18.887697890538455]
  本論文は、エンティティ関係三重項の集合として形式化された所望のセマンティックメッセージが与えられた条件モデル生成テキストとしてLMを概念化する。 LMを自動エンコーダに埋め込むと、出力が入力メッセージと同じ表現領域にあるセマンティック・フラエンシに出力を送り込む。 提案手法は,グリーディ検索のベースラインを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2022-11-16T17:35:52Z)
• Collocation2Text: Controllable Text Generation from Guide Phrases in Russian [0.0]
  Collocation2Textはロシア語で自動制御可能なテキスト生成のためのプラグイン・アンド・プレイ方式である。 この手法は、自己回帰言語ruGPT-3モデルと自己符号化言語ruRoBERTaモデルという2つの相互作用モデルに基づいている。 提案手法を用いてニュース記事を生成する実験は,自動生成された流布文に対して有効性を示した。
  論文  参考訳（メタデータ） (2022-06-18T17:10:08Z)
• Unsupervised learning of text line segmentation by differentiating coarse patterns [0.0]
  距離が粗いテキスト行パターンに類似するコンパクトユークリッド空間に文書イメージパッチを埋め込む教師なしのディープラーニング手法を提案する。 テキスト行のセグメンテーションは、埋め込み特徴ベクトルを使って標準技術を使って容易に実装できる。 本手法は,テキスト行分割データセットのいくつかの変種に対して定性的かつ定量的に評価し,その効果を実証する。
  論文  参考訳（メタデータ） (2021-05-19T21:21:30Z)

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。