論文の概要: Tracing model-generated DNA with position-independent watermarking
- arxiv url: http://arxiv.org/abs/2610.04763v1
- Date: Sat, 03 Oct 2026 20:56:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-11 17:05:54.860467
- Title: Tracing model-generated DNA with position-independent watermarking
- Title（参考訳）: 位置非依存型透かしを用いた追跡モデル生成DNA
- Abstract要約: ゲノム言語モデルは、その起源の記録を持たない合成DNAを書くことができる。
我々は、SynthIDトーナメントの透かしを2つのゲノム言語モデル、CarbonとGENERator-v2に埋め込む。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Genomic language models can write synthetic DNA that carries no record of its origin. A generation-time watermark could provide a provenance signal, if a verifier can detect it using only the DNA sequence, a key, and published detector settings, without knowing where the generated region starts, which strand it lies on, or how it was divided into six-base tokens. We embed the SynthID tournament watermark in two genomic language models, Carbon and GENERator-v2. The verifier searches both strands, every start position, and four window lengths, and corrects its decision for the whole search. In a detection cohort of 1,544 held-out prompts, it found all 3,088 marked sequences per model, unedited and after one substituted, inserted, or deleted base. For ordinary sequences, the one-sided 95% upper confidence bound on the false-positive rate was at most 0.850%; one bound for the wrong-key control reached 1.015% (Carbon, after a deletion). In a development cohort, neither model showed a detectable change in likelihood or in predefined sequence measures. Under random edits placed without reference to the detector, detection stayed complete or nearly complete up to a 2% per-base edit rate. These results show statistical detection, not biological function, secret-key security, or robustness to an editor who sees the detector.
- Abstract（参考訳）: ゲノム言語モデルは、その起源の記録を持たない合成DNAを書くことができる。
世代毎の透かしは、検証者がDNA配列、キー、および公表された検出設定のみを使用して検出できる場合、生成された領域がどこから始まるか、どのストランドがどこにあるか、どのように6塩基のトークンに分割されたかを知ることなく、証明信号を提供することができる。
我々は、SynthIDトーナメントの透かしを2つのゲノム言語モデル、CarbonとGENERator-v2に埋め込む。
検証者は、ストランド、全てのスタート位置、および4つのウィンドウの長さを検索し、検索全体の決定を補正する。
1,544のホールトアウトプロンプトの検出コホートで、モデルごとに3,088のマーク付きシーケンスが見つかった。
通常のシーケンスでは、偽陽性率に束縛された95%の上位信頼度は、少なくとも0.850%であり、不正キー制御のための1つが1.015%に達した(削除後、カーボン)。
開発コホートでは、どちらのモデルも可能性や事前定義されたシーケンス測定において検出可能な変化を示しなかった。
検知器を使わずにランダムな編集を行うと、検出は完了かほぼ完了し、ベース毎の編集レートは最大2%に留まった。
これらの結果は、生物学的機能ではなく統計的検出、秘密鍵のセキュリティ、あるいは検出器を見る編集者に対する堅牢性を示している。
関連論文リスト
- Watermarking: from Impossibility to Auditable Compliance [78.87513208320995]
EU人工知能法第50条(2)は、合成出力を機械可読かつ検出可能にするために、生成システムの提供者を要求する。
自由形式のテキストにとって、重要な実装の1つは、生成的な透かし処理の実装である。
本稿は、強い透かしに代わる聴覚的な代替品を開発する。
論文 参考訳（メタデータ） (2026-10-05T13:32:41Z) - Where the Numbers Come From: Auditing Evaluation in Provenance-Based Intrusion Detection [42.49426058823369]
証明に基づく侵入検知器のスコアを再現しても、そのアラームの出力やエンコーダが使用する情報についてそのスコアが何を言っているかは定かでない。
我々は、リリースした9つの実装を監査し、独自のコードを使用して4つの検出器を実行し、3つの測定効果を分離する。
論文 参考訳（メタデータ） (2026-09-27T13:01:02Z) - GenoTrace: Inheritable Watermarks for Genome Foundation Model Distillation [4.564848621539382]
トークンレベルの2つの要因は、コドンの位置と生物固有のコドンの使用を用いて教師の生成バイアスを調節する。
結果として得られたシーケンスは、出力がアクティブなウォーターマークプロセッサなしで監査される小さな学生を訓練する。
GenoTraceは、実際のトークンレベルの構築と、ゲノム構造がどのように継承された透かし信号を形成するかの実証的な説明を提供する。
論文 参考訳（メタデータ） (2026-09-27T00:15:38Z) - Watermarks Without Verification: AI Text Watermarking After the EU AI Act [49.51124343181601]
EU AI法第50条では、生成可能なAIプロバイダに対して、システムが生成したコンテンツをマークし、AI生成として検出することを要求している。
Anthropicは、その日後にリリースされたすべてのClaudeモデルが、すべての生成されたテキストにSynthID-Textに基づく透かしを埋め込んでいることを公表した。
我々は、現在、異議や保証は確認できないし、この不信は、それ自体を透かしではなく、実質的なガバナンスの失敗であると論じている。
論文 参考訳（メタデータ） (2026-09-09T01:56:17Z) - 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) - Seeing Below the Limit of Detection: A Censored-Poisson Bayesian Latent-Growth Change-Point Detector (the Span Detector) for Serial ctDNA in HR+/HER2- Metastatic Breast Cancer [0.0]
市販の液体生検では、それぞれが独立したスナップショットとして、非検出を無として扱う。
我々は、非検出は左チャージされた観察であり、非検出と偽検出のパターンは、時間とともに、実用的な成長の証拠となると主張している。
本稿では,2値検出過程をモデル化した,検閲されたPoisson Bayesian遅延成長点検出器であるSpanを紹介する。
論文 参考訳（メタデータ） (2026-06-10T09:59:13Z) - Log-Likelihood, Simpson's Paradox, and the Detection of Machine-Generated Text [0.039998518782208774]
本研究では,人間と機械のテキストを区別するトークンレベルの信号が,検出モデルの隠れた空間にわたって一様でないことを示す。
ベイズ決定理論に基づく学習的局所校正ステップを導入する。
この単一の介入は、すべてのベースライン検出器と、私たちが考慮しているすべてのデータセット間の検出性能を劇的に、一貫して改善します。
論文 参考訳（メタデータ） (2026-05-07T13:59:07Z) - 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) - Paraphrasing evades detectors of AI-generated text, but retrieval is an
effective defense [56.077252790310176]
本稿では,パラフレーズ生成モデル(DIPPER)を提案する。
DIPPERを使って3つの大きな言語モデル(GPT3.5-davinci-003)で生成されたテキストを言い換えると、透かしを含むいくつかの検出器を回避できた。
我々は,言語モデルAPIプロバイダによって維持されなければならない,意味論的に類似した世代を検索するシンプルなディフェンスを導入する。
論文 参考訳（メタデータ） (2023-03-23T16:29:27Z)
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。