論文の概要: textGrain watermarking is harder to detect: can sum-tests still do it optimally?

• arxiv url: http://arxiv.org/abs/2610.17655v1
• Date: Tue, 13 Oct 2026 03:33:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-17 17:54:00.049741
• Title: textGrain watermarking is harder to detect: can sum-tests still do it optimally?
• Title（参考訳）: textGrainの透かしは検出するのが難しい。
• Abstract要約: 本研究は,ヒト編集後のtextGrainの検出効率について検討した。 エントロピーキャリブレーションはコストがかかる: textGrainのminimax検出境界は$p+q=1/2$なので、検出可能な領域はGumbel-maxウォーターマークよりも厳密に小さい。 有限サンプルで有効であり,次点分布,エントロピー予算,あるいは編集率の知識を必要としない重み付きマルチスケール二項スキャンを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Watermarking embeds an imperceptible signal in text from large language models that is statistically detectable with a secret key. The recent textGrain watermark (Li et. al. (2026b)) calibrates this signal against the model's sampling entropy through an explicit entropy budget, combining the stochasticity of Red-Green and the unbiasedness of Gumbel-max watermarks, and its accompanying report proposes a detector that sums pivotal statistics. We study when, and how efficiently, textGrain can be detected after human edits, modeled as a sparse mixture in which a fraction $\varepsilon_n\asymp n^{-p}$ of positions retain the watermark and token uncertainty decays as $n^{-q}$. First, entropy calibration comes at a cost: the minimax detection boundary of textGrain is $p+q=1/2$, so its detectable region is strictly smaller than that of Gumbel-max and maximal-coupling watermarks, whose boundary is $2p+q=1$. This cost stems from textGrain's construction rather than from entropy calibration itself: an unbiased scheme with the same entropy loss remains detectable where textGrain is not. Second, perhaps surprisingly, this loss makes the sum detector optimal at the boundary when the number of transport columns is fixed, unlike for Gumbel-max. When the number of columns grows and the entropy budget does not vanish, the detectable region expands while that of the sum detector does not. Third, for a fixed edit fraction, we characterize the optimal exponential rate of type II error decay and show that the sum detector falls strictly short of it at every fixed alternative. Finally, we propose a weighted multiscale binomial scan, valid in finite samples and needing no knowledge of the next-token distributions, entropy budget, or edit fraction; it attains every detection boundary above and the optimal exponent.
• Abstract（参考訳）: ウォーターマーキングは、シークレットキーで統計的に検出可能な大きな言語モデルのテキストに知覚不能な信号を埋め込む。 最近のテキストグライン透かし(Li et al (2026b))は、レッドグリーンの確率性とガンベルマックス透かしの不偏性を組み合わせた明示的なエントロピー予算を通じて、モデルのサンプリングエントロピーに対してこの信号を校正する。 我々は,ヒトの編集後にtextGrainが検出されるタイミングと効率について検討し,その位置の分数$\varepsilon_n\asymp n^{-p}$が透かしとトークンの不確かさの崩壊を$n^{-q}$として保持するスパース混合物としてモデル化した。 まず、エントロピーの校正はコストがかかる: textGrainの最小値検出境界は$p+q=1/2$なので、検出可能な領域はGumbel-maxや最大結合する透かしよりも厳密に小さく、その境界は$2p+q=1$である。 このコストは、エントロピーのキャリブレーション自体ではなく、textGrainの構成に起因している。 第2に、おそらく驚くべきことに、この損失は、Gumbel-maxとは異なり、輸送塔の数が固定されたときに境界線で和検出器を最適にする。 カラムの数が増加しエントロピー予算が消滅しない場合、検出可能な領域は拡大し、和検出器の領域は拡大しない。 第3に、固定された編集率に対して、II型誤差の最適指数率を特徴付け、固定された全ての選択肢において和検出器が厳密に不足していることを示す。 最後に, 有限サンプルに有効であり, 次点分布, エントロピー予算, あるいは編集率の知識を必要とせず, 上述のすべての検出境界と最適指数を達成できる重み付き多スケール二項走査を提案する。

関連論文リスト

• Constrained Online Learning with Noisy Constraint Values [55.29259818039367]
  一般的な実現可能性の下では、我々のLEDGERアルゴリズムは、期待される損失$O(sqrt T)と期待される予算違反$O(sqrtTlog(eT))を達成します。 スレーター条件、フィードバックチャネル間の独立性、絶対的制約値境界は不要である。
  論文  参考訳（メタデータ） (2026-09-07T01:38:41Z)
• Bayesian Best-Arm Identification with Abstention: A Polynomial-to-Exponential Phase Transition [51.253617466579335]
  本研究では,学習者が端末の推薦を控えることができるベイジアン固定予算のベストアーム識別問題について検討する。 本研究は,非検出誤りの確率を解析し,吸収を伴わない準最適腕を推奨するリスクについて考察する。
  論文  参考訳（メタデータ） (2026-06-28T05:07:27Z)
• Adaptive Confidence Intervals in Efron's Gaussian Two-Groups Model [28.636700996382558]
  敵のノイズに満ちた性質により、Efronのガウス的二群分数モデルにおいて、ヌル位置パラメータ$$に対する信頼区間を研究する。 信頼区間の最小最適長を、未知の割合の汚染と全てのノイズに満ちた敵に対して、所定のカバレッジレベルで特徴付ける。
  論文  参考訳（メタデータ） (2026-04-28T22:40:54Z)
• Towards Optimal Statistical Watermarking [95.46650092476372]
  仮説テスト問題として定式化して統計的透かしを研究する。 我々の定式化の鍵は、出力トークンと拒絶領域の結合である。 一般仮説テスト設定において,UMP(Uniformly Most Powerful)の透かしを特徴付ける。
  論文  参考訳（メタデータ） (2023-12-13T06:57:00Z)
• Rethinking Rotated Object Detection with Gaussian Wasserstein Distance Loss [111.8807588392563]
  境界不連続性と最終検出基準の不整合性は, 回転検出回帰損失設計のボトルネックとなっている。 本稿では,ガウス・ワッサーシュタイン距離に基づく新しい回帰損失を,この問題に対する基本的なアプローチとして提案する。
  論文  参考訳（メタデータ） (2021-01-28T12:04:35Z)

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。