SWAN：使用抽象語義表示的語義水印
arXiv - Computers and SocietyZiping Ye, Gourab Dey, Christos Christodoulopoulos, Charith Peris, Anil Ramakrishna, Weitong Ruan, Aram Galstyan, Kai-Wei Chang, Rahul Gupta, Ninareh Mehrabi
SWAN透過抽象語義表示將水印嵌入句子語義結構，提升在意義保持的改寫下的偵測魯棒性。
AI 幫你先抓重點
AI 重點 1
將水印嵌入語義結構而非字元層面，可在改寫後仍保持可偵測性。
滑鼠懸停看 AI 判斷理由
此洞察顯示從字元級到語義級的轉變，能在實際改寫情境中維持水印可偵測性，對AI生成內容審核與學術誠信具有關鍵意義。
AI 重點 2
SWAN的訓練免費、提示式設計降低實作門檻，易於在現有LLM平台部署。
滑鼠懸停看 AI 判斷理由
不需微調且依賴提示工程，使實務工作者能快速將水印功能整合至現有內容創作或審核流程，促進教育科技產品的快速迭代與應用。
核心研究發現
- 1
SWAN將水印簽名直接嵌入句子抽象語義表示（AMR），使任何保持意義的改寫都能自動保留水印。
- 2
此方法無需訓練，透過提示LLM以選定AMR模板生成句子，偵測則使用現成AMR解析器與簡單比例z檢定。
- 3
在RealNews基準上，SWAN在未改寫文本的偵測性能與最先進方法相當，且對改寫的魯棒性提升最高13.9% AUC。
對教育工作者的啟發
教育內容創作者可採用SWAN將水印嵌入教材或作業，確保內容來源可追蹤。開發者可在生成式AI平台加入AMR模板提示，並使用公開AMR解析器進行偵測，降低技術門檻。學術機構可將此技術納入抄襲檢測系統，提升對改寫文本的偵測準確度。實務上，建議先在小規模教材上測試水印AUC，確保不影響語義流暢，再擴大至全校級別。
原始文獻資訊
- 英文標題：
- SWAN: Semantic Watermarking with Abstract Meaning Representation
- 作者：
- Ziping Ye, Gourab Dey, Christos Christodoulopoulos, Charith Peris, Anil Ramakrishna, Weitong Ruan, Aram Galstyan, Kai-Wei Chang, Rahul Gupta, Ninareh Mehrabi
- 來源：
- arXiv - Computers and Society
- AI 摘要模型：
- openai/gpt-oss-20b
每週精選研究電子報
每週五信箱收到精選 5 篇教育科技重點研究摘要，零時間壓力掌握學術前沿。