본 연구는 Dual-Embedding Watermarking (DEW) 을 제시합니다. 이는 대규모 언어 모델용 시맨틱 워터마킹 방식으로, 문맥 및 토큰 수준 임베딩을 활용하여 파라프레이징 및 번역에 대한 강건성을 향상시킵니다. DEW 는 신호 처리 방법론을 사용하여 대수적 벡터 공간 연산을 적용함으로써 의미 변화 하에서도 점진적으로 성능이 저하되는 워터마킹 신호를 도출합니다.

  • 이 방법은 비밀 키로 시드된 의사난수 행렬을 통해 임베딩 벡터를 투영하여 워터마킹을 난독화합니다.
  • 기초 대수에서 유도된 관련 분포가 평가되어 DEW 의 통계적 테스트 및 벤치마킹에 활용됩니다.
  • 여러 LLM 에 대한 실험 결과는 DEW 가 파라프레이징 후 감지를 개선하면서도 경쟁력 있는 텍스트 품질을 유지함을 나타냅니다.
  • 워터마킹은 번역 후에도 검출 가능하며, 기존 시맨틱 워터마킹이 크게 저하되는 경우에도 마찬가지입니다.

이러한 발견들은 DEW 를 LLM 생성 텍스트 보호와 책임감 있는 AI 배포의 중요한 문제를 해결하기 위한 실용적이고 강건한 솔루션으로 위치시킵니다.