यह कार्य डुअल-एम्बेडिंग वॉटरमार्किंग (DEW) प्रस्तुत करता है, जो बड़े भाषा मॉडलों के लिए एक अर्थपूर्ण वॉटरमार्क योजना है जो पराफ्रेज़िंग और अनुवाद के प्रति रॉबस्टनेस को बढ़ाने के लिए संदर्भ और टोकन-स्तर एम्बेडिंग्स का लाभ उठाती है। DEW सिग्नल प्रोसेसिंग विधि का उपयोग करता है, बीजगणितीय वेक्टर स्पेस ऑपरेशन लागू करके एक वॉटरमार्क सिग्नल व्युत्पन्न करता है जो अर्थिक शिफ्ट के तहत धीरे-धीरे क्षय होता है।
- विधि एक गुप्त कुंजी से बीजित pseudo-random मैट्रिक्स के माध्यम से एम्बेडिंग वेक्टर को प्रक्षेपित करके वॉटरमार्क को अस्पष्ट बनाती है।
- आधारभूत बीजगणित से व्युत्पन्न प्रासंगिक वितरण का मूल्यांकन किया जाता है और DEW के सांख्यिकीय परीक्षण और बेंचमार्किंग के लिए उपयोग किया जाता है।
- कई LLMs पर प्रायोगिक परिणाम संकेत देते हैं कि DEW प्रतिस्पर्धी पाठ गुणवत्ता बनाए रखते हुए पराफ्रेज़ के बाद की पहचान में सुधार करता है।
- अनुवाद के बाद वॉटरमार्क का पता लगाया जा सकता है, भले ही पूर्व अर्थिक वॉटरमार्क्स महत्वपूर्ण रूप से क्षय हो जाएं।
ये निष्कर्ष DEW को LLM-जनित पाठ की रक्षा और जिम्मेदार AI तैनाती में महत्वपूर्ण मुद्दों को संबोधित करने के लिए एक व्यावहारिक और रॉबस्ट समाधान के रूप में स्थापित करते हैं।