Optimal Watermark Generation under Type I and Type II Errors
第一类与第二类错误约束下的最优水印生成AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要属于生成模型水印与统计检验理论，未提供所列计量经济学细分领域的直接依据。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
第一类与第二类错误约束下的最优水印生成
- 研究问题
- 在区分原始分布与带水印分布时，如何在明确控制误报和漏报的条件下，尽量减少生成内容的分布保真度损失？
- 方法与思路
- 作者把水印设计表述为统计假设检验，在两类错误约束下以一般 f 散度衡量失真，求取下界及对应的最优分布和抽样规则。
- 材料陈述的贡献
- 摘要称，研究给出可达的保真度损失紧下界，并刻画达到该界的水印分布及生成机制，连接检验错误与信息散度。
- 阅读关注点
- 应核对错误概率约束的定义、允许的水印分布和检测规则、下界可达条件，以及抽样机制能否用于实际生成模型。
- 阅读边界
- 仅依据所给 Crossref 摘要；摘要未说明完整可行性条件和实现成本，分布层面的最优性也不能直接保证内容质量或抗攻击能力。
原文摘要
Abstract Watermarking has recently emerged as a crucial tool for protecting the intellectual property of generative models and for distinguishing AI-generated content from human-generated data. Despite its practical success, most existing watermarking schemes are empirically driven and lack a theoretical understanding of the fundamental trade-off between detection power and generation fidelity. To address this gap, we formulate watermarking as a statistical hypothesis testing problem between a null distribution and its watermarked counterpart. Under explicit constraints on false-positive and false-negative rates, we derive a tight lower bound on the achievable fidelity loss, measured by a general f-divergence, and characterize the optimal watermarked distribution that attains this bound. We further develop a corresponding sampling rule that provides an optimal mechanism for inserting watermarks with minimal fidelity distortion. Our result establishes a simple yet broadly applicable principle linking hypothesis testing, information divergence, and watermark generation.