Este trabalho apresenta Marca d'água de Duplo Embedding (DEW), um esquema de marca d'água semântica para grandes modelos de linguagem que aproveita embeddings contextuais e em nível de token para melhorar a robustez contra paráfrase e tradução. DEW utiliza uma metodologia de processamento de sinais, aplicando operações de espaço vetorial algébrico para derivar um sinal de marca d'água que degrada graciosamente sob mudanças semânticas.
- O método ofusca a marca d'água projetando vetores de embedding através de matrizes pseudoaleatórias sementeadas com uma chave secreta.
- Distribuições relevantes derivadas da álgebra subjacente são avaliadas e empregadas para testes estatísticos e benchmarking do DEW.
- Resultados experimentais em múltiplos LLMs indicam que o DEW melhora a detecção pós-paráfrase mantendo qualidade de texto competitiva.
- A marca d'água permanece detectável após a tradução, mesmo quando as marcas d'água semânticas anteriores degradam significativamente.
Esses achados posicionam o DEW como uma solução prática e robusta para proteger texto gerado por LLMs e abordar questões críticas na implantação responsável de IA.