Este trabajo presenta Marca de Agua de Doble Incrustación (DEW), un esquema de marca de agua semántica para modelos de lenguaje grandes que aprovecha las incrustaciones contextuales y a nivel de token para mejorar la robustez frente a paráfrasis y traducción. DEW utiliza una metodología de procesamiento de señales, aplicando operaciones de espacio vectorial algebraico para derivar una señal de marca de agua que se degrada grácilmente bajo cambios semánticos.
- El método ofusca la marca de agua proyectando vectores de incrustación a través de matrices pseudoaleatorias sembradas con una clave secreta.
- Las distribuciones relevantes derivadas del álgebra subyacente se evalúan y emplean para pruebas estadísticas y benchmarking de DEW.
- Los resultados experimentales en múltiples LLM indican que DEW mejora la detección post-paráfrasis manteniendo una calidad de texto competitiva.
- La marca de agua sigue siendo detectable después de la traducción, incluso cuando las marcas de agua semánticas previas se degradan significativamente.
Estos hallazgos posicionan a DEW como una solución práctica y robusta para proteger el texto generado por LLM y abordar problemas críticos en el despliegue responsable de IA.