論文の概要: Predictive Likelihood Ratios for Language Model Watermark Detection
- arxiv url: http://arxiv.org/abs/2609.15657v1
- Date: Mon, 14 Sep 2026 14:39:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.450539
- Title: Predictive Likelihood Ratios for Language Model Watermark Detection
- Title（参考訳）: 言語モデル透かし検出のための予測的類似度
- Abstract要約: キー付き透かし検出テストは、秘密鍵から再構成された観測トークンと擬似ランダム変数間の依存度である。
我々は、不確実な確率欠陥と残尾分布よりも平均となる予測可能性比を構築した。
- 参考スコア（独自算出の注目度）: 3.8200540264474907
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Keyed watermark detection tests dependence between observed tokens and pseudorandom variables reconstructed from a secret key. Building on the pivotal framework of Li et al. (2025), we construct predictive likelihood ratios that average over uncertain probability deficits and residual-tail distributions. The aim is robust detection power across alternative specifications without requiring a single signal-strength tuning. A mixture prior combines tail shape and effective width; hierarchical extensions allow within-document variation in deficit or width. The test maximizes prior-averaged power at a fixed size, but is not generally uniformly most powerful or minimax. Under the exact conditional pivot null, normalized predictive alternatives selected before each observation yield a Bayes factor that is also a test martingale: Type I error control is unaffected by alternative misspecification and remains valid under optional stopping. This guarantee does not cover violations of the conditional null, and the interpolated implementation has no certified anytime guarantee. Gumbel marginal likelihoods are evaluated by fixed quadrature. Across the evaluated tail-shape and tail-width alternatives and three horizons, the union-tail mixture has maximum observed Type II error regret .0080, compared with .0962 for the equal-tail mixture, relative to the best tested rule. On temperature-matched outputs from two open models, it improves AUC over the equal-tail baseline in all eight non-saturated model-temperature cells, although the leading reference score generally has higher AUC. Supplementary experiments show retained power under independent null-like replacement and smaller changes from hierarchical dependence modeling. The evidence supports robustness across the evaluated alternatives, not uniform power guarantees or resistance to arbitrary text edits.
- Abstract（参考訳）: キー付き透かし検出テストは、秘密鍵から再構成された観測トークンと擬似ランダム変数間の依存度である。
Li et al (2025) の基軸として、不確実な確率欠陥と残留テール分布を平均とする予測可能性比を構築する。
目的は、単一の信号強度チューニングを必要とせずに、代替仕様をまたいだ堅牢な検出能力である。
事前の混合は尾の形状と有効幅を結合し、階層的拡張は欠陥や幅の文書内変化を許容する。
このテストは、平均的な電力を一定の大きさで最大化するが、通常、一様に最も強力または最小限ではない。
厳密な条件付きピボットヌルの下では、各観測の前に選択された正規化された予測代替案は、テストマーチンゲールであるベイズ因子を出力する。
この保証は条件付きnullの違反をカバーしていない。
ガムベル辺縁確率は固定四分法により評価される。
評価されたテール形状とテール幅の代替品と3つの水平線の中で、ユニオンテールの混合物は最大で2型エラーの後悔 .0080 であり、同じテールの混合物では .0962 である。
2つのオープンモデルからの温度整合出力では、8つの非飽和モデル温度セルの等しいテールベースラインよりもAUCが向上するが、リード基準スコアは一般的にAUCよりも高い。
補助実験では、独立なヌル様置換の下での維持力と階層的依存モデリングによる小さな変化が示されている。
このエビデンスは、任意のテキスト編集に対する統一的なパワー保証や抵抗ではなく、評価された代替案全体の堅牢性を支持する。
関連論文リスト
- EDGE: a closed-form directed test for the calibration of probabilistic binary classifiers [0.0]
本稿では,正規確率分類器の校正テストであるEDGEを提案し,ロジスティック回帰法を提案する。
EDGEは、同一のビン付き予測観測テーブルを信頼性図のプロットとして読み出し、その標準化されたビン残差をスムーズなキャリブレーション歪みの小さな前提に投影する。
リンクと特徴の相違により、既定のデフォルトが22のシナリオのうち、19のシナリオで全ての競合するビン付きテストに導かれるか、あるいは結び付けられ、再適合ベースのStukelスコアテストが20%から28%のサンプルで分離される場合、計算可能のままであった。
論文 参考訳（メタデータ） (2026-08-20T19:06:05Z) - Denoised Conformal Alignment for Reliable Selection of Conditional Average Treatment Effect Predictions [10.945117945979566]
ブラックボックスCATE予測器の信頼性の選択について検討する。
疑似アウトカムから2つの堅牢なプロキシエラーを構築する。
定式化コンフォーマルアライメントを提案する。
論文 参考訳（メタデータ） (2026-07-03T10:00:28Z) - A prior-free blind detection of information leakage from model predictions [0.0]
本稿では,リーク診断が予測リスク/アウトカム則の関数となる決定論的枠組みを提案する。
正当モデルの校正と識別に適合する校正されたリークは、予測の空白関数により、正直な性能と区別できない。
ほぼ決定論的部分群は、非決定論的結果の正当な予測者が製造できない持続的単位純度ヘッドを生成する。
論文 参考訳（メタデータ） (2026-06-09T05:13:03Z) - Testing the Test: Score-Direction Instability in Class-Split Anomaly Detection [56.362776482614976]
データセット内のクラス分割評価は、完全に非条件のアウト・オブ・ディストリビューション異常検出のプロキシとして広く利用されている。
このプロトコルは、保持された異常クラスが表現空間の通常の混合と重なり合う場合、悪用される可能性があることを示す。
そこで本研究では,Fashion-MNIST,CIFAR-10,Imagenette間のスコア方向不安定性を予測する。
論文 参考訳（メタデータ） (2026-05-23T06:27:42Z) - 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) - LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。
我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。
本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
論文 参考訳（メタデータ） (2025-12-01T11:27:09Z) - Calibrated Decomposition of Aleatoric and Epistemic Uncertainty in Deep Features for Inference-Time Adaptation [3.018583625592182]
ほとんどの推定器は、全ての不確実性モードを単一の信頼スコアに分解し、いつより多くの計算を割り当てるか、あるいは推論を調整するべきかについての信頼性の高い推論を防ぐ。
非確実性誘導推論時間選択(Uncertainty-Guided Inference-Time Selection)は,データ駆動型(データ駆動型)とモデル駆動型不確実性を,深い特徴空間で直接的に解消する軽量な推論時間フレームワークである。
論文 参考訳（メタデータ） (2025-11-15T23:47:30Z) - Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
生成のための教師なし共形推論フレームワークを提案する。
我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。
その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
論文 参考訳（メタデータ） (2025-09-26T23:40:47Z) - Multidimensional Uncertainty Quantification via Optimal Transport [87.97146725546502]
相補的なUQ測度をベクトルに積み重ねることで,不確実性定量化(UQ)の多次元的考察を行う。
VecUQ-OTは、個々の測定が失敗しても高い効率を示す。
論文 参考訳（メタデータ） (2025-09-26T14:09:03Z) - COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。
COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。
リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
論文 参考訳（メタデータ） (2025-06-25T07:04:49Z)
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。