SwordStamp

SwordStamp fügt robuste Erkennung gegenüber Reihenfolgeänderungen und semantische Span-Einheiten zu einbettungsbasierten semantischen Wasserzeichen hinzu. Dieses Artefakt enthält die exakte Paper-Konfiguration, Generierungs- und Erkennungscode, die unveränderte Angriffssuite, Qualitätsbewertung sowie deterministische Ergebnisextraktion und -darstellung.

Hauptergebnisse

Bei einer Falsch-Positiv-Rate von 5 % und einer Anforderung von 90 % Inhaltserhaltung erreicht der schemenspezifische Einbettungsverschiebungsangriff (EDA-S):

Relativ zu ihren veröffentlichten Basislinien reduzieren SwordStamp und k-SwordStamp den EDA-S-Erfolg um 29,2 bzw. 22,5 Prozentpunkte, bei Kosten für die saubere Wiedergabetreue von 1,8 bzw. 4,4 Punkten. Ihre sauberen Erkennungsraten betragen 94,9 % und 97,0 %. Unter dem stärkeren Detektorzugriffs-Stresstest EDA-D beträgt der maximale qualitätsgesperrte Erfolg 39,7 % bei k-SwordStamp gegenüber 65,5 % bei k-SemStamp.

Diese Ergebnisse decken englische Nachrichtenfortsetzungen, ein Anbietermodell, zwei Anbieter-Encoder und ein EDA-Umschreiber/Surrogat-Paar ab.

Ein kompiliertes Bündel darstellen

visualization konsumiert ausschließlich das kompilierte CSV/Parquet-Bündel. Es schlägt bei fehlenden Paper-Zellen fehl, anstatt eine unvollständige Abbildung zu zeichnen.

uv sync --frozen --only-group plot --no-install-project
uv run --no-sync python -m visualization extract \
  --bundle results/paper --output results/paper
uv run --no-sync python -m visualization render \
  --bundle results/paper --output results/paper

Dies schreibt prüfbare Tabellen unter results/paper/tables/ und sieben Abbildungen in PNG und PDF unter results/paper/figures/. Der anonyme Review-Zweig enthält das kompilierte Bündel; ein vollständiger Lauf auf dem Release-Zweig erstellt dieselben Dateien mit python -m visualization compile.

Einbettungsverschiebungsangriff (EDA)

Der Einbettungsverschiebungsangriff (EDA) ist ein adaptiver Ganztext-Umschreibungsangriff. Bei jeder Ausgabeeinheit sampelt er K Fortsetzungen und behält den Kandidaten mit der größten Kosinus- Verschiebung von seinem Quellanker unter einem Surrogat-Encoder. Da jeder Kandidat das vollständige Umschreibungspräfix fortsetzt, kann ein Ziel Inhalt umformulieren, neu anordnen und Detektoreinheiten aufteilen oder zusammenführen.

No-Box-EDA sieht den markierten Text und das öffentliche Wasserzeichen-Design. Er fragt weder den Detektor noch den Generator ab und erhält keinen geheimen Schlüssel, Anbieter-Encoder oder Qualitäts-Orakel.

Für Bag-Ankerung verwendet das Paper attack.bag_agg=min: Maximierung der Distanz zum nächsten Quellanker. Gemeldete No-Box-Läufe verwenden Qwen/Qwen2.5-3B-Instruct, BAAI/bge-base-en-v1.5, K={1,2,4,8,16,32,64}, Temperatur 1,0, Top-p 0,95, höchstens 96 Tokens pro Kandidat und höchstens 512 Umschreibungs-Tokens.

Andere Wasserzeichen-Designer können EDA direkt aufrufen:

from attacks.paraphrasing.adaptive import adaptive_attack_paraphrase

attacked = adaptive_attack_paraphrase(
    texts,
    base_model="Qwen/Qwen2.5-3B-Instruct",
    surrogate_model="BAAI/bge-base-en-v1.5",
    num_candidates=32,
    anchor="positional",       # EDA-P; verwenden Sie "bag" für ein reihenfolgerobustes Design
    bag_agg="min",
    segmentation_type="sentence",
    segmentation_backend="nltk",
)

Für das EDA-S des Papers mit SwordStamp-Bewusstsein setzen Sie anchor="bag", segmentation_type="semspan", semcut_max_words=15 und semcut_window=5. Innerhalb dieses Repositorys lautet die äquivalente CLI:

uv run python -m attacks DATA_PATH --config PRESET \
  --set attack.paraphraser=adaptive \
  --set attack.custom_model=Qwen/Qwen2.5-3B-Instruct \
  --set attack.surrogate_model=BAAI/bge-base-en-v1.5 \
  --set attack.num_candidates=32 \
  --set attack.anchor=bag --set attack.bag_agg=min \
  --set segmentation.attacker_type=semspan \
  --set segmentation.attacker_backend=nltk

DATA_PATH ist immer das Basiskorpus und PRESET identifiziert die mit Wasserzeichen versehene Zelle. Siehe attacks/README.md für alle beibehaltenen Angriffe und Konfigurationsfelder.

Exakte Paper-Matrix

config/paper.py ist die einzige Quelle der Wahrheit. Für jeweils LSH und k-means führt scripts/experiments/swordstamp.sh diese fünfsprossige additive Leiter mit 64 Anbieter-Kandidaten aus:

1. kontextabhängige Ablehnung über Sätzen;
2. Best-of-64-Auswahl;
3. eine feste gültige Menge;
4. diversitätsbewusstes Ranking; und
5. semantische Spans mit maximal 15 Wörtern und Vergleichsfenster 5.

Das Raster enthält nur diese zehn Zellen und eine No-Watermark-Basislinie. PMark ist nur online; SAMark verwendet ein Flag-Muster pro Lauf. EDA-D-Budgets sind K={4,8,16,32,64}.

Die Vergleichs-Submodule passen die öffentlichen PMark- und SAMark-Auswertungsquellen nur an ihren Datensatz-/Ergebnisgrenzen und der gemeinsamen Falsch-Positiv-Kalibrierung an; die Wasserzeichen-Algorithmen sind unverändert.

Vollständiger Experimentablauf

Voraussetzungen sind Git, uv, Python 3.11, CUDA für Modellläufe, Zugriff auf die festgepinnten Modellrevisionen und Scratch-Speicher.

git clone --recurse-submodules [email protected]:D-Diaa/SwordStamp.git
cd SwordStamp
bash scripts/setup.sh
uv run --frozen python scripts/check_artifact.py

1. Bereiten Sie die deterministischen, disjunkten C4-Partitionen vor:

   root@kitploit:~

   uv run --frozen python scripts/prepare_c4.py --output-dir data
   

2. Installieren und konfigurieren Sie den festgepinnten Scheduler. Der Installer druckt seine Nebenwirkungen auf Benutzerebene aus, bevor er etwas ändert:

   root@kitploit:~

   bash scripts/install_gpu_scheduler.sh --print-plan
   bash scripts/install_gpu_scheduler.sh --yes
   gpu-scheduler init --gpus 0,1
   gpu-scheduler start
   

3. Vorschauen und dann jeden physischen Shard einreichen:

   root@kitploit:~

   for shard in c4-val-def-256 c4-val-def-256b c4-val-def-512; do
     BASE="data/$shard" DRY_RUN=1 bash scripts/experiments/swordstamp.sh
     BASE="data/$shard" DRY_RUN=1 bash scripts/experiments/pmark.sh
     BASE="data/$shard" DRY_RUN=1 bash scripts/experiments/samark.sh
   done
   # Entfernen Sie DRY_RUN=1 nach der Inspektion der exakten DAGs.
   

4. Kompilieren, extrahieren und rendern:

   root@kitploit:~

   uv run --frozen python -m visualization all \
     --bundle results/paper --output results/paper
   

Der Scheduler liefert CUDA_VISIBLE_DEVICES; wählen Sie GPUs nicht durch Abfragen von nvidia-smi aus. Die vollständige Reproduktion ist eine mehrtägige GPU-Workload. ARTIFACT.md listet Hardware, Modellrevisionen, erwartete Ausgaben und die Anspruch-zu-Befehl- Zuordnung auf. scripts/experiments/README.md dokumentiert Fortsetzungs- und Force-Verhalten.

Aufbau und Lizenz

• config/, segmentation/, sampling/, watermarking/: SwordStamp.
• attacks/: EDA und die beibehaltene Angriffssuite.
• quality/: Bewertung von Wiedergabetreue und Inhaltserhalt.
• visualization/: Nur-Paper-Kompilierung, Tabellen und Matplotlib-Abbildungen.
• scripts/experiments/: Scheduler-gestützte exakte Paper-Workflows.
• external/: festgepinnte PMark- und SAMark-Vergleichs-Submodule.

Erstpartei-Code wird unter der MIT-Lizenz veröffentlicht. Modelle, Datensätze, generierter Text und Vergleichs-Submodule behalten ihre eigenen Bedingungen; siehe THIRD_PARTY.md.

Zitierung

SwordStamp-Software wurde von Abdulrahman Diaa erstellt. Die Paper-Autoren sind Abdulrahman Diaa, Jonathan Petit und Florian Kerschbaum. Maschinenlesbare Zitier-Metadaten finden sich in CITATION.cff.