arXiv cs.CL· Jose H. Blanchet, T. Tony Cai, Xiang Li, Hao Liu, Qi Long, Weijie J. Su·· 2 天前AI 评分22
混合来源大语言模型文本中的最优水印定位
Optimal Watermark Localization in Mixed-Source Large Language Model Texts
AI 导读
研究将水印定位形式化为基于枢轴统计量的 token 级多重检验问题，用隐变量记录每个位置的水印依赖是否在改写、插入、删除或改写后存活。理论推导给出全局检测的锐利边界，以及发现与分类的相变，证明发现严格难于检测、一致分类在该参数区间内不可能。作者提出自适应阈值方法，无需已知稀疏指数或时变下一 token 分布，即可达到最优发现边界。
正文 · AI 翻译
摘要：水印为验证大型语言模型（LLM）生成的文本提供了一种有原则的方法。然而在实践中，最终文本可能是混合来源的，在重写、插入、删除或改写之后，水印证据仅在一部分 token 位置上存活。尽管先前的工作已经研究了水印信号的全局检测，但这些信号何时能够被定位仍不清楚。我们将水印定位形式化为一个基于枢轴统计量的 token 级多重检验问题，用一个潜在指示变量记录水印依赖性在每个位置上是否存活。在以信号稀疏性、下一 token 集中度和有效词汇增长为指数的渐近框架下，我们推导出全局检测的锐利边界，以及在该类基于坐标枢轴的定位规则内发现与分类的相变。我们表明发现严格难于检测，并且在该类内，一致的分类在整个参数范围内是不可能的。随后我们开发了一种自适应阈值方法，它不需要知道这些指数或时变的下一 token 分布，而是使用对存活水印比例的数据驱动估计。相对于同质的基于枢轴的规则，该方法达到了最优的发现边界和接近最优的发现功效。模拟支持了理论相变，而在模型生成文本上的实验展示了在常见编辑机制下的实际定位性能。
| 评论： | 73 页，13 幅图。更新了实验和补充材料 |
| 主题： | 方法论（stat.ME）；计算与语言（cs.CL）；机器学习（cs.LG）；机器学习（stat.ML） |
| 引用为： | arXiv:2608.14906 [stat.ME] |
| （或 arXiv:2608.14906v2 [stat.ME] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.14906 arXiv 颁发的 DOI 经由 DataCite |
提交历史
来自：Hao Liu [查看电子邮件]
[v1]
2026年8月14日星期五 21:41:50 UTC（2,253 KB）
[v2]
2026年10月15日星期四 17:29:07 UTC（881 KB）
来源：arXiv cs.CL · arxiv.org