論文の概要: Token-Level Attribution of Multi-Mode LLM Watermarks: Optimal Rule and Belief Weighting

• arxiv url: http://arxiv.org/abs/2610.23601v1
• Date: Fri, 16 Oct 2026 15:18:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.985269
• Title: Token-Level Attribution of Multi-Mode LLM Watermarks: Optimal Rule and Belief Weighting
• Title（参考訳）: 多モードLCM透かしのToken-Level属性:最適規則と信頼性重み付け
• Abstract要約: 透かし検証器は秘密鍵など多くのモードを保持でき、文書は異なるモードのスパンを透かしのないテキストに混ぜることができる。 我々は,Gumbel-max透かしに対するトークンレベルの多モード属性を,I型誤差制約の下での正しいラベルパワーの最大化として定式化する。 最適規則では、このモードを最大で事前重み付けされた代替密度で報告し、この密度が1つの共通しきい値を超えると拒否する。
• 参考スコア（独自算出の注目度）: 23.45276723376035
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A watermark verifier may hold many modes, i.e., secret keys, and a document may mix spans of different modes with unwatermarked text. Directly reporting the mode with the largest pivotal statistic (pivot) inflates the Type I error, and restoring the nominal level reduces power as candidate modes are added. We formulate token-level multi-mode attribution for the Gumbel-max watermark as maximizing correct-label power under a Type I error constraint given a mode prior. We show that the optimal rule reports the mode with the largest prior-weighted alternative density and rejects when this density exceeds one common threshold. Based on this rule, we propose the Belief-weighted Likelihood Attribution with Density Estimation (BLADE) detector. It estimates the mode prior from neighboring pivots and the alternative density from reference token probabilities. Under a conditional product model of the pivots, it keeps the exact Type I error. We further show that BLADE approaches the optimal rule as its prior and density estimates improve, with a sharp coefficient on the density error. On OPT-1.3B and other open-weight large language models, BLADE attains higher correct-label power than the compared detectors across candidate counts, token-substitution rates, generation temperatures and generator models.
• Abstract（参考訳）: 透かし検証器は秘密鍵など多くのモードを保持でき、文書は異なるモードのスパンを透かしのないテキストに混ぜることができる。 モードを最大のピボット統計(pivot)で直接報告すると、タイプIエラーが膨らみ、名目レベルが回復すると、候補モードが追加されるにつれてパワーが低下する。 我々は,Gumbel-max透かしに対するトークンレベルの多モード属性を,先行モードが与えられたI型エラー制約の下での正しいラベルパワーの最大化として定式化する。 最適規則では、このモードを最大で事前重み付けされた代替密度で報告し、この密度が1つの共通しきい値を超えると拒否する。 このルールに基づいて,密度推定(BLADE)検出器を用いたBelief-weighted Likelihood Attributionを提案する。 隣接するピボットから先行するモードと、参照トークン確率から代替密度を推定する。 ピボットの条件付き製品モデルでは、正確にタイプIエラーを保持する。 さらに、BLADEは、その先行および密度推定が向上するにつれて最適規則に近づき、密度誤差に鋭い係数が現れることを示した。 OPT-1.3Bや他のオープンウェイトな大規模言語モデルでは、BLADEは、候補数、トークン置換率、生成温度、ジェネレータモデルで比較された検出器よりも高い正しいラベル出力が得られる。

関連論文リスト

• Predictive Likelihood Ratios for Language Model Watermark Detection [3.8200540264474907]
  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。
  論文  参考訳（メタデータ） (2026-09-14T14:39:29Z)
• Dirichlet-Based Prediction Calibration for Learning with Noisy Labels [40.78497779769083]
  雑音ラベルによる学習はディープニューラルネットワーク(DNN)の一般化性能を著しく損なう 既存のアプローチでは、損失補正やサンプル選択手法によってこの問題に対処している。 そこで我々は,textitDirichlet-based Prediction (DPC) 法を解法として提案する。
  論文  参考訳（メタデータ） (2024-01-13T12:33:04Z)
• 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)
• Sobolev Space Regularised Pre Density Models [51.558848491038916]
  本研究では,ソボレフ法則の正則化に基づく非パラメトリック密度推定法を提案する。 この方法は統計的に一貫したものであり、帰納的検証モデルを明確かつ一貫したものにしている。
  論文  参考訳（メタデータ） (2023-07-25T18:47:53Z)
• On the Discrepancy between Density Estimation and Sequence Generation [92.70116082182076]
  log-likelihoodは、同じファミリー内のモデルを考えるとき、BLEUと非常に相関している。 異なる家族間でのモデルランキングの相関はみられない。
  論文  参考訳（メタデータ） (2020-02-17T20:13:35Z)

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。