PersonaMark: 为模型保护和用户归属而设计的个性化 LLM 水印

大型语言模型 (LLM) 的定制化快速发展为用户提供了相当大的便利。然而，这也加剧了对版权/机密信息保护的关注。随着私有 LLM 的广泛采用， safeguarding 模型版权和确保数据隐私已成为关键任务。文本水印作为检测 AI 生成内容和保护模型的可行解决方案日益流行。然而，现有方法不足以为每个用户提供个性化水印，这对于增强问责性和可追溯性至关重要。本文引入 PersonaMark，一种新的个性化文本水印方案，旨在保护 LLM 的版权并增强问责性。PersonaMark 利用句子结构作为水印信息的隐形载体，并优化生成过程以保持模型输出的自然性。通过采用个性化哈希函数，可为每个用户嵌入唯一的水印，在不损害模型性能的前提下实现高质量文本生成。该方法在时间效率和可扩展性方面表现出色，能够通过多用户哈希机制处理大量用户。到目前为止，本文是首次探索 LLM 中个性化水印的研究。我们在四个 LLM 上进行了广泛评估，分析了包括困惑度、情感、对齐度和可读性在内的各种指标。结果表明，PersonaMark 保持文本质量，确保水印插入无偏，同时提供稳健的水印检测能力，同时以最小程度的干扰维持模型行为。