論文の概要: Tokenization-Invariant Watermarking: A Byte-Local Method for LLM Text

• arxiv url: http://arxiv.org/abs/2610.14378v1
• Date: Fri, 09 Oct 2026 22:52:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 21:51:35.986455
• Title: Tokenization-Invariant Watermarking: A Byte-Local Method for LLM Text
• Title（参考訳）: トークン化不変な透かし: LLMテキストのバイトローカル法
• Abstract要約: Tokenization-In Watermarkingはトークン生成中に透かしを埋め込むが、キーは標準化された8バイトでスコア付けする。 カノニカライザ保存編集はスコアが変わらないままである。 Qwen3-8BではAUC 0.530、Gemma 4 E4Bでは0.664となる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We introduce Tokenization-Invariant Watermarking (TI-WM), a method that embeds a watermark during token generation but keys and scores it on canonicalized UTF-8 bytes. The detector does not invoke the tokenizer. Canonicalizer-preserving edits leave its score unchanged; other localized canonical-byte edits affect a bounded number of scoring windows. Across three fixed keys and 128 prompts per key and model, a deterministic white-box attack at a 5% word-edit budget leaves mean attacked-AUC 0.530 on Qwen3-8B and 0.664 on Gemma 4 E4B, compared with 0.410 and 0.489 for Unigram with detection-side deletion. These operating points are not jointly matched on quality and clean detectability. Bias sweeps show model-dependent distortion costs, and shared-rule controls support a locality interpretation without establishing a unique advantage of bytes. Visible insertion outside the canonicalizer's deletion set defeats the default design. Alphabetic filtering closes that channel but does not resolve source shift or calibrated detection power. TI-WM thus provides a concrete construction with local scoring guarantees and measured attack-ranking gains, not a general robustness or low-false-positive-rate deployment guarantee.
• Abstract（参考訳）: Tokenization-Invariant Watermarking (TI-WM) はトークン生成時に透かしを埋め込む手法であるが、鍵は標準化UTF-8バイトでスコア付けする。 検出器はトークン化剤を起動しない。 正規化子保存編集はスコアが変わらないままであり、他のローカル化された正規化バイト編集は多数のスコアウインドウに影響を与える。 3つの固定鍵と128個のキーとモデルにまたがって、5%ワードエジットの予算で決定論的ホワイトボックス攻撃は、Qwen3-8BでAUC 0.530、Gemma 4 E4Bで0.664、検出側削除でUnigramでは0.410、0.489となる。 これらの操作ポイントは、品質とクリーンな検出性に共同でマッチしない。 バイアススイープはモデル依存の歪みコストを示し、共有ルールコントロールはバイトの独特なアドバンテージを確立することなく、局所性解釈をサポートする。 標準器の削除セットの外への可視的な挿入は、デフォルトの設計を損なう。 Alphabetic filteringはそのチャネルをクローズするが、ソースシフトや校正された検出パワーは解決しない。 したがって、TI-WMは、一般的なロバスト性や低偽陽性のデプロイメント保証ではなく、局所的なスコア保証と測定された攻撃レベルゲインを備えた具体的な構造を提供する。

関連論文リスト

• Semantic Behavioral Watermarking: Paraphrase-Robust and Forgery-Resistant Provenance for LLM Agents [5.584439031414184]
  振舞いの透かしは、LLMエージェントの高レベルのアクション選択に所有者識別子を埋め込む。 先行エージェントの透かしは、透かしを正確なアクションシンボルに結合する。 キー付きビンニングは、100%から偽陽性のフロアに適応的な偽造を行う。
  論文  参考訳（メタデータ） (2026-10-06T16:50:42Z)
• 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)
• Anchor-ECC: Local Integrity Checking for Watermarked LLM Outputs via Error-Correcting Codes [78.76894187376963]
  本稿では,誤り訂正符号(ECC)制約と明示的な境界アンカーを透かし構造に組み込んだAnchor-ECCを提案する。 Qwen3-8B、Mistral-7B-Instruct-v0.3、OPT-125Mでは、約99.7%のブロックレベルの真の正のレート(TPR)が達成され、最大で7.6%の偽アラームレート(FAR)が検出できる。
  論文  参考訳（メタデータ） (2026-09-30T00:56:24Z)
• Semantic Watermarking with Order-Robust Detection over Sub-sentence Units [21.50298444968968]
  サブ文単位上での順序ロバスト検出によりセマンティックな透かしを攻撃する。 私たちがテストした最も強力なノーボックス攻撃は、その設計に適合したEDA変種であり、攻撃確率は10.8%である。 プロバイダの検出器とシークレットキーにアクセスする強力なEDAは、k-SemStampの65.5%に対して、39.7%のアタック・サクセスレートに達する。
  論文  参考訳（メタデータ） (2026-08-27T19:54:17Z)
• Provenance, Not Behaviour: A Serialisation Artifact in Edge-IIoTset and a Leakage-Free Benchmark for Precision-Agriculture Intrusion Detection [0.0]
  Edge-IIoTsetは、IoTにおける機械学習侵入検出のベンチマークである。 そのパフォーマンスの多くは侵入検出ではないことが示されています。 AgriEdge:1,276,122行、完全な属性を持つ5つのデバイス、0.0288以上のクラスを分離する列がない。
  論文  参考訳（メタデータ） (2026-08-16T14:30:45Z)
• 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)
• Multi-Label Test-Time Adaptation with Bayesian Conditional Priors [15.878958356965159]
  Conditional Priors Estimation (BCP) は、バックボーンをチューニングせずにラベル依存性を注入する勾配のないテスト時間適応法である。 BCPは、未ラベルのテストストリームからアンカー条件の事前値をオンラインで推定することで、ターゲットアノテーションなしで動作します。 BCPは、標準のマルチラベルベンチマークと複数のCLIPバックボーンで、強力なTTAベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-06-11T05:29:00Z)
• Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
  マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。 パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
  論文  参考訳（メタデータ） (2026-06-09T13:17:27Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• PMark: Towards Robust and Distortion-free Semantic-level Watermarking with Channel Constraints [49.2373408329323]
  大規模言語モデル(LLM)のための透かしレベル(SWM)に関する新しい理論フレームワークを提案する。 PMarkは単純だが強力なSWM手法であり、サンプリングチャネルを通して中央値の次文を動的に推定する。 実験結果から,PMarkはテキスト品質とパラフレージングの両方において,既存のSWMベースラインを一貫して上回ることがわかった。
  論文  参考訳（メタデータ） (2025-09-25T12:08:31Z)

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。