SwordStamp

SwordStamp añade detección robusta al orden y unidades de tramos semánticos a las marcas de agua semánticas basadas en embeddings. Este artefacto contiene la configuración exacta del artículo, el código de generación y detección, el conjunto de ataques sin cambios, la evaluación de calidad y la extracción y representación determinista de resultados.

Resultados principales

Con una tasa de falsos positivos del 5% y un requisito de preservación de contenido del 90%, el ataque de desplazamiento de embeddings específico del esquema (EDA-S) logra:

En relación con sus líneas base publicadas, SwordStamp y k-SwordStamp reducen el éxito de EDA-S en 29,2 y 22,5 puntos porcentuales, con costes de fidelidad limpia de 1,8 y 4,4 puntos. Sus tasas de detección limpia son del 94,9% y 97,0%. Bajo la prueba de estrés EDA-D con acceso al detector más fuerte, el éxito máximo con control de calidad es del 39,7% en k-SwordStamp frente al 65,5% en k-SemStamp.

Estos resultados cubren continuaciones de noticias en inglés, un modelo de proveedor, dos codificadores de proveedor y un par parafraseador/sustituto EDA.

Representar un paquete compilado

visualization consume únicamente el paquete CSV/Parquet compilado. Falla ante celdas faltantes del artículo en lugar de dibujar una figura parcial.

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

Esto escribe tablas auditables en results/paper/tables/ y siete figuras en PNG y PDF en results/paper/figures/. La rama de revisión anónima incluye el paquete compilado; una ejecución completa en la rama de lanzamiento crea los mismos archivos con python -m visualization compile.

Ataque de desplazamiento de embeddings (EDA)

El ataque de desplazamiento de embeddings (EDA) es un ataque adaptativo de paráfrasis de texto completo. En cada unidad de salida muestrea K continuaciones y conserva el candidato con el mayor desplazamiento de coseno respecto a su ancla fuente bajo un codificador sustituto. Dado que cada candidato continúa el prefijo completo de reescritura, un único objetivo puede reformular contenido, reordenarlo y dividir o fusionar unidades del detector.

EDA sin caja ve el texto marcado y el diseño público de la marca de agua. No consulta al detector ni al generador y no recibe clave secreta, codificador de proveedor ni oráculo de calidad.

Para el anclaje por bolsa, el artículo utiliza attack.bag_agg=min: maximizar la distancia desde el ancla fuente más cercana. Las ejecuciones sin caja reportadas utilizan Qwen/Qwen2.5-3B-Instruct, BAAI/bge-base-en-v1.5, K={1,2,4,8,16,32,64}, temperatura 1,0, top-p 0,95, como máximo 96 tokens por candidato y como máximo 512 tokens de reescritura.

Otros diseñadores de marcas de agua pueden llamar a EDA directamente:

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; use "bag" for an order-robust design
    bag_agg="min",
    segmentation_type="sentence",
    segmentation_backend="nltk",
)

Para el EDA-S consciente de SwordStamp del artículo, establece anchor="bag", segmentation_type="semspan", semcut_max_words=15 y semcut_window=5. Dentro de este repositorio, la CLI equivalente es:

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 es siempre el corpus base y PRESET identifica la celda marcada. Consulta attacks/README.md para todos los ataques conservados y los campos de configuración.

Matriz exacta del artículo

config/paper.py es la única fuente de verdad. Para cada uno de LSH y k-means, scripts/experiments/swordstamp.sh ejecuta esta escalera aditiva de cinco peldaños con 64 candidatos de proveedor:

1. rechazo dependiente del contexto sobre oraciones;
2. selección de mejor de 64;
3. un conjunto válido fijo;
4. clasificación consciente de la diversidad; y
5. tramos semánticos con un máximo de 15 palabras y ventana de comparación 5.

La cuadrícula contiene solo estas diez celdas y una línea base sin marca de agua. PMark es solo en línea; SAMark utiliza un patrón de bandera por ejecución. Los presupuestos de EDA-D son K={4,8,16,32,64}.

Los submódulos de comparación adaptan las fuentes de evaluación públicas PMark y SAMark solo en sus límites de conjunto de datos/resultados y en la calibración compartida de falsos positivos; los algoritmos de marca de agua no se modifican.

Flujo completo del experimento

Los requisitos previos son Git, uv, Python 3.11, CUDA para ejecuciones de modelos, acceso a las revisiones de modelos fijadas y almacenamiento temporal.

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. Prepara las particiones C4 deterministas y disjuntas:

   root@kitploit:~

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

2. Instala y configura el planificador fijado. El instalador imprime sus efectos secundarios a nivel de usuario antes de cambiar nada:

   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. Previsualiza y luego envía cada fragmento físico:

   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
   # Remove DRY_RUN=1 after inspecting the exact DAGs.
   

4. Compila, extrae y representa:

   root@kitploit:~

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

El planificador proporciona CUDA_VISIBLE_DEVICES; no selecciones GPUs sondeando nvidia-smi. La reproducción completa es una carga de trabajo GPU de varios días. ARTIFACT.md enumera el hardware, las revisiones de modelos, los resultados esperados y el mapa de afirmación a comando. scripts/experiments/README.md documenta el comportamiento de reanudación y forzado.

Estructura y licencia

• config/, segmentation/, sampling/, watermarking/: SwordStamp.
• attacks/: EDA y el conjunto de ataques conservado.
• quality/: evaluación de fidelidad y preservación de contenido.
• visualization/: compilación solo para el artículo, tablas y figuras de Matplotlib.
• scripts/experiments/: flujos de trabajo exactos del artículo respaldados por el planificador.
• external/: submódulos de comparación fijados de PMark y SAMark.

El código de primera parte se publica bajo la Licencia MIT. Los modelos, conjuntos de datos, texto generado y submódulos de comparación conservan sus propios términos; consulta THIRD_PARTY.md.

Cita

El software SwordStamp está creado por Abdulrahman Diaa. Los autores del artículo son Abdulrahman Diaa, Jonathan Petit y Florian Kerschbaum. Los metadatos de cita legibles por máquina están en CITATION.cff.