論文の概要: Grammar-Guided Code Watermarking with Green Temperature

• arxiv url: http://arxiv.org/abs/2610.05323v1
• Date: Sun, 04 Oct 2026 15:45:19 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 20:42:53.172146
• Title: Grammar-Guided Code Watermarking with Green Temperature
• Title（参考訳）: グリーン温度によるグラマーガイドコード透かし
• Abstract要約: グリーン温度による文法誘導符号透かしは、文法制約付き復号と確率対応透かしを統合する。 GTCWの平均AUROCは73.61%であり、最強のベースラインは67.83%である。
• 参考スコア（独自算出の注目度）: 8.15769790563148
• License:
• Abstract: Large language model watermarking embeds detectable statistical signals during decoding, but the resulting changes to token probabilities can degrade generation quality. This trade-off is particularly important for code, where small changes in token selection can break syntax or alter program behavior. Existing code watermarking methods mitigate this risk through entropy-based insertion or syntax-aware token selection, but they do not directly construct the watermark over the set of continuations admitted by the current grammar state. We propose Grammar-Guided Code Watermarking with Green Temperature (GTCW), which integrates grammar-constrained decoding with probability-aware watermarking. At each decoding step, GTCW restricts the candidate set to grammar-admissible tokens and partitions this support into keyed green and red subsets. At eligible high-entropy positions, green temperature reweights the green tokens according to the model's relative preferences, strengthening the watermark signal while retaining the grammar constraint. Across five models and five benchmarks spanning four programming languages, GTCW achieves a mean AUROC of 73.61%, compared with 67.83% for the strongest baseline, while maintaining a mean Pass@1 of 59.18% versus 59.58% for unwatermarked generation. Our implementation is available at https://github.com/hyundong98/GTCW .
• Abstract（参考訳）: 大規模言語モデルの透かしはデコード中に検出可能な統計信号を埋め込むが、トークンの確率の変化は生成品質を劣化させる可能性がある。 このトレードオフは、トークン選択の小さな変更が構文を壊したり、プログラムの振る舞いを変更したりするコードにとって特に重要である。 既存のコード透かし手法は、エントロピーベースの挿入や構文認識トークンの選択を通じてこのリスクを軽減するが、現在の文法状態によって認識されている継続の集合に対して直接、透かしを構築することはない。 文法制約付きデコードと確率認識型透かしを統合したGTCW(Grammar-Guided Code Watermarking with Green Temperature)を提案する。 各デコードステップにおいて、GTCWは、候補セットを文法許容トークンに制限し、このサポートをキーとなる緑と赤のサブセットに分割する。 適切な高エントロピー位置において、グリーン温度はモデルの相対的な嗜好に応じてグリーントークンを再重み付けし、文法制約を維持しながら透かし信号を強化する。 GTCWは4つのプログラミング言語にまたがる5つのモデルと5つのベンチマークで、平均AUROCは73.61%、最強のベースラインは67.83%、パス@1は59.18%、非ウォーターマークの世代は59.58%である。 私たちの実装はhttps://github.com/hyundong98/GTCWで公開されています。

関連論文リスト

• Toward Stronger Code Watermarking: A Grammar-Driven Approach to Optimizing the Trade-off Between Quality and Detectability [43.59505715248063]
  本稿では,Large Language Models (LLM) のためのGDW (Grammar-Driven Watermark) と呼ばれる新しいコード透かし手法を提案する。 GDWは文法誘導3レベルマスキング機構を通じて統語的妥当性を保ち、構造的役割認識変調により透かし信号を注入する。 GDWは,変数リネーム攻撃に対するロバスト性を維持しつつ,既存の手法よりも優れた品質-検出可能性トレードオフフロンティアを確立していることを示す。
  論文  参考訳（メタデータ） (2026-07-11T08:43:15Z)
• SSG: Logit-Balanced Vocabulary Partitioning for LLM Watermarking [3.881996954876714]
  KGWスキームは、自然言語生成の汎用性、効率性、有効性のために特に魅力的である。 しかし、KGWの有効性は、コード生成や数学的推論のような低エントロピー設定下で著しく低下する。 本稿では,語彙を2つのロジットバランス部分集合に分割するSSGを提案する。
  論文  参考訳（メタデータ） (2026-04-24T10:55:50Z)
• Marking Code Without Breaking It: Code Watermarking for Detecting LLM-Generated Code [8.371877324812505]
  我々は,非シンタクティックトークンにのみ透かしを埋め込む構文認識型透かし手法STONEを提案する。 Python、C++、Java全体で、STONEは正確性を保持し、強力な検出可能性を保持し、最小限のオーバーヘッドでバランスの取れたパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-02-26T05:46:13Z)
• Large Language Model Watermark Stealing With Mixed Integer Programming [51.336009662771396]
  大きな言語モデル(LLM)の透かしは、著作権に対処し、AI生成したテキストを監視し、その誤用を防ぐことを約束している。 近年の研究では、多数のキーを用いた透かし手法は、攻撃の除去に影響を受けやすいことが示されている。 我々は,最先端のLLM透かしスキームに対する新たなグリーンリスト盗難攻撃を提案する。
  論文  参考訳（メタデータ） (2024-05-30T04:11:17Z)
• 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)
• Who Wrote this Code? Watermarking for Code Generation [53.24895162874416]
  本稿では,機械生成テキストを検出するために,Entropy Thresholding (SWEET) を用いたSelective WatErmarkingを提案する。 実験の結果,SWEETはコード品質を著しく向上し,すべてのベースラインを上回ります。
  論文  参考訳（メタデータ） (2023-05-24T11:49:52Z)
• 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)

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。