签名过滤：大语言模型 中统计水印检测的轻量级增强

统计水印可帮助组织对 大语言模型 (LLM) 输出进行归因，但当水印信号较弱、文本重复或水印被编辑时，现有检测器通常会遇到困难。我们提出了签名过滤，这是一种检测时模块，可以增强水印检测，而无需修改水印嵌入和文本生成。它学习一小组“签名”词元，这些词元的存在使水印测试不可靠，并在检测之前删除这些词元。签名是通过在小型训练集上求解混合整数线性程序来获得的，并具有最大化真阳性率的约束。我们还得出了几种攻击者模型（色盲、颜色自适应和分布相关）下的有限样本和渐近边界。在四个著名的水印系列（Kgw、Sweet、Unigram、Exp）、四个基准语料库（C4、MBPP、HumanEval、Code-Search-Net）和六个 LLM（Opt-1.3b、Opt-6.7b、Llama2-13b、Llama3.1-8b、Qwen2.5-14b、Phi-3-medium-14b）上， 2 克和 3 克签名将弱信号和低熵设置中的检测率从无过滤的 8~31% 提高到有过滤的 78~99%，同时保持误报可控且通常可以忽略不计。在压力测试中，我们通过稀释、删除和替换来打乱句子并扰乱 25~50% 的标记，Kgw 式水印的 2 克过滤器保留了大部分的纯文本检测增益，通常匹配或优于先进的 WinMax 水印检测器。因此，签名过滤提供了一个简单、可扩展且与模型无关的附加组件，以加强信息处理工作流程中对 LLM 文本的基于水印的来源检查。