Исследователи представили математическую модель для оценки эффективности водяных знаков в генеративном контенте. Помимо простого определения факта машинной генерации, авторы предлагают использовать метки для атрибуции контента конкретным пользователям, извлечения скрытых данных и локализации изменений после редактирования. Работа задает теоретические рамки для расчета необходимого объема текста, требуемого для надежного считывания таких меток.
Традиционные методы маркировки ИИ-контента часто ограничиваются бинарным ответом на вопрос о происхождении текста. Новый подход рассматривает «лестницу форензики», где каждая ступень — от простой детекции до сложной атрибуции — требует определенного количества токенов. Авторы вводят единый математический объект, позволяющий вычислить минимальную длину выборки для каждой задачи, исходя из объема скрытой информации, которую несет водяной знак.
Исследование помогает понять фундаментальные ограничения существующих систем защиты авторских прав и верификации контента. Определение стоимости каждой функции в терминах длины текста позволяет разработчикам балансировать между незаметностью водяного знака для пользователя и его устойчивостью к попыткам удаления или модификации контента, что критически важно для систем безопасности и борьбы с дезинформацией.
Ключевые факты
- Разработана теоретическая модель «лестницы форензики», классифицирующая задачи от детекции до глубокой атрибуции.
- Установлена прямая зависимость между объемом скрытой полезной нагрузки (payload) и минимально необходимой длиной текста для корректного считывания.
- Предложенный метод позволяет локализовать фрагменты текста, которые сохранили исходную маркировку после правок или переписывания.
- Работа базируется на принципах теории информации, позволяя количественно оценить «цену» каждого уровня защиты в количестве токенов.