PyTorchKR Papers

최신 논문

총 2편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.24163v1cs.CR

CORE-BREW: LLR-Based Soft Decoding for Robust Multi-Bit LLM Watermarking

대규모 언어 모델(LLM) 출력의 출처 검증을 위해 편집에도 견고한 다중 비트 워터마킹이 필요하지만, 기존 오류정정코드(ECC) 방식은 하드 디코딩으로 토큰 신뢰도 정보를 버린다. CORE-BREW는 block-wise BREW에 고정 히트율 보정을 더해 토큰별 로그우도비(LLR) 기반 소프트 디코딩을 가능하게 하며, 오픈소스 LLM에서 토큰 편집·의역 공격 하에도 낮은 오탐률(FPR) 판별과 견고성이 이전 다중 비트 워터마킹 대비 개선되면서 의미 품질은 유사하게 유지된다.

arXiv:2606.18430v1cs.LG

서명 필터링: 대규모 언어 모델(LLM)에서 통계적 워터마크 탐지를 위한 경량화된 향상 방법

Signature filtering: a lightweight enhancement for statistical watermark detection in large language models

통계적 워터마크 탐지를 임베딩·생성 과정은 그대로 두고, 탐지 전에 워터마크 검정을 왜곡하는 소수의 서명(signature) 토큰을 혼합 정수 선형 계획법으로 학습해 제거하는 서명 필터링(signature filtering)을 제안한다. Kgw·Sweet·Unigram·Exp 등 4개 워터마크 계열과 6개 LLM 실험에서 약한 신호·낮은 엔트로피 환경의 탐지율을 8~31%에서 78~99%로 끌어올리고, 토큰 교란 스트레스 테스트에서도 오탐을 낮게 유지하며 WinMax 탐지기와 동등하거나 더 나은 성능을 보였다.