💬 NLP

SAMark: A Self-Anchored Text Watermarking with Paragraph-Level Paraphrase Robustness

تقترح الورقة البحثية SAMark، وهو إطار عمل للعلامات المائية النصية ذاتية الارتكاز يحقق مقاومة قوية لإعادة الصياغة على مستوى الفقرة من خلال إنشاء ركائز دلالية مستقلة عن الخطوات واستخدام تسجيل زائدي متعدد القنوات، متفوقاً بشكل ملحوظ على النماذج المرجعية السابقة مع الحفاظ على جودة توليد عالية.

المؤلفون الأصليون: Jiahao Huo, Wenjie Qu, Yibo Yan, Kening Zheng, Jiaheng Zhang, Xuming Hu, Philip S. Yu, Mingxun Zhou

نُشر 2026-05-26

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Jiahao Huo, Wenjie Qu, Yibo Yan, Kening Zheng, Jiaheng Zhang, Xuming Hu, Philip S. Yu, Mingxun Zhou

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك خباز تريد إثبات أن رغيف خبز معين قد صُنع في مطبخك، وليس في مطبخ منافس. قررت أن تضع ختمًا صغيرًا غير مرئي داخل العجين.

المشكلة القديمة: الختم "خطوة بخطوة"
كانت معظم الطرق السابقة لوسم النصوص المولدة بالذكاء الاصطناعي تشبه وضع الختم على الخبز فقط إذا كنت تتبع ترتيب وصفة معينة.

إذا خبزت الخبز بالترتيب الصحيح (الجملة 1، ثم الجملة 2، ثم الجملة 3)، فسيظهر الختم.
ولكن إذا أخذ شخص ما خبزك، وقطعه إلى شرائح، وخلط الترتيب، أو أعاد ترتيب الشرائح (إعادة صياغة على مستوى الفقرة)، فسيختفي الختم. سيبحث الكاشف في الخبز المبعثر، ويرى الترتيب خاطئًا، ويقول: "هذا ليس خبزي!" رغم أنه هو بالفعل.

حدث هذا لأن "الختم" كان يعتمد على السياق (ما سبق الجملة) لتحديد مكان وضع العلامة. وإذا تغير السياق، يختفي الختم.

الحل الجديد: SAMARK (الختم "ذاتي الارتكاز")
أدرك مؤلفو هذه الورقة البحثية، SAMARK، أن الشيء الوحيد الذي لا يتغير أبدًا عن الجملة هو معناها (دلالاتها/semantics)، بغض النظر عن مكان وجودها في الفقرة أو الكلمات التي تحيط بها.

لقد ابتكروا نظامًا جديدًا حيث يكون "الختم" مرتبطًا بالجملة نفسها فقط، وليس بترتيب الفقرة.

التشبيه: تخيل أن لكل جملة رمزًا شريطيًا (باركود) فريدًا وغير مرئي مطبوعًا عليها بناءً على ما تقوله الجملة فقط.
النتيجة: حتى لو قام إنسان أو ذكاء اصطناعي آخر بإعادة كتابة الفقرة، أو تبديل الجمل، أو تغيير الترتيب، فإن الرمز الشريطي الموجود على كل جملة يظل سليمًا. يمكن للكاشف بعد ذلك مسح الفقرة المبعثرة، وقراءة الرموز الشريطية لكل جملة، والقول: "نعم، هذه الجمال كانت جميعها مخبوزة في مطبخي".

كيف جعلوا الأمر يعمل (السر في الوصفة)
لإنجاح هذا الأمر دون إفساد جودة النص (جعله يبدو آليًا أو مكررًا)، استخدموا ثلاث حيل ذكية:

المضخم "الزائدي" (Hyperbolic Amplifier):
فكر في هذا كأنه مقبض للتحكم في مستوى الصوت. عندما يختار الذكاء الاصطناعي جملة، فإنه يتحقق مما إذا كان "الباركود" الخاص بالجملة يطابق النمط السري. بعض الجمل تتطابق تمامًا؛ وبعضها يتطابق قليلًا فقط.

الطرق القديمة كانت تعامل جميع التطابقات بالتساوي.
يستخدم SAMARK منحنى رياضيًا خاصًا (زائديًا) لـ رفع مستوى الصوت على التطابقات المثالية وخفض مستوى الصوت على التطابقات الضعيفة. هذا يجعل الإشارة أقوى بكما يمكن ملاحظتها، حتى بعد تعرض النص للهجوم.

فلتر "التنوع" (Diversity Filter):
هناك مشكلة شائعة في الوسم المائي، وهي أن الذكاء الاصطنا strip في حلقة مفرغة، ويكرر نفس العبارات للحفاظ على ظهور "الختم".

يعمل SAMARK كمحرر صارم. قبل اختيار جملة، يسأل: "هل استخدمنا هذه العبارة بالضبط من قبل؟" (فلتر N-gram) و"هل تبدو هذه الجملة مشابهة جدًا للجملة السابقة؟" (الفلتر الدلالي).
إذا كانت الإجابة نعم، فإنه يستبعد الجملة ويحاول مرة أخرى. هذا يضمن أن النص النهائي يبدو طبيعيًا ومتنوعًا، وليس مكررًا.

الكاشف "الأعمى" (Blind Detector):
عند فحص النص، لا يحتاج الكاشف لمعرفة الترتيب الأصلي. إنه ينظر إلى جميع الجمل، ويخمن "النمط السري" بناءً على أغلبية الجمل، ثم يتحقق مما إذا كان النص يتوافق مع تخمينه. إنه يشبه هيئة محلفين تقرر حكمًا بناءً على تصويت الأغلبية، بدلاً من الحاجة لمعرفة التسلسل الدقيق للأحداث.

النتائج
تزعم الورقة البحثية أن SAMARK يمثل تغييرًا جذريًا في قواعد اللعبة:

المتانة (Robustness): عندما حاولوا "كسر" الوسم المائي عن طريق خلط الجمل وإعادة كتابة الفقرات (أصعب أنواع الهجمات)، صمد SAMARK بنسبة 90% من المرات. بينما صمدت أفضل الطرق السابقة بنسبة 60% فقط (انخفاض بنسبة 30% أو أكثر).
الجودة: لا يزال النص يبدو طبيعيًا. استخدم المؤلفون حكامًا من الذكاء الاصطناعي لمقارنة النص الموسوم بنص عادي، وكانت النسخة الموسومة بنفس الجودة، إن لم تكن أفضل قليلاً، لأن فلاتر التنوع منعت التكرار الممل.
الكفاءة: لا يستغرق توليد النص وقتًا أطول مقارنة بالطرق المتقدمة الأخرى.

باختصار
كانت الوسوم المائية السابقة مثل قفل لا يعمل إلا إذا أُغلق الباب بترتيب معين. إذا أعدت ترتيب الأثاث، ينكسر القفل. أما SAMARK فهو مثل وضع ختم فريد وغير قابل للكسر على كل قطعة أثاث على حدة. يمكنك إعادة ترتيب الغرفة كما تشاء، وستظل الأختام تثبت أن كل قطعة جاءت من نفس المصنع.

ملخص تقني: SAMARK - العلامة المائية النصية ذاتية الارتكاز مع متانة إعادة الصياغة على مستوى الفقرة

1. تعريف المشكلة

يتطلب التقدم السريع في الذكاء الاصط์نعي التوليدي (GenAI) طرقًا قوية لتحديد النصوص المولدة آليًا. وبينما ظهرت العلامات المائية لنماذج اللغات الكبيرة (LLM) كحل، إلا أن الأساليب الحالية تواجه ثغرة حرجة: هجمات إعادة الصياغة على مستوى الفقرة (PPA).

تنقسم مخططات العلامات المائية الحالية إلى فئتين:

العلامات المائية على مستوى الرمز (Token-Level Watermarking - TWM): تعدل توزيعات أخذ عينات الرموز (مثل قوائم الأخضر والأحمر). ورغم كفاءتها، إلا أن هذه الإشارات يسهل تخفيفها أو إزالتها عبر التعديلات المحلية، أو استبدال الكلمات، أو الحذف.
العلامات المائية على المستوى الدلالي (Semantic-Level Watermarking - SWM): تعامل الجمل كواحدة أساسية، حيث تدمج الإشارات في الفضاء الدلالي. ورغم أنها أكثر متانة تجاه التعديلات المحلية، إلا أن أساليب SWM الحالية (مثل SemStamp وPMark) تعتمد على بذور عشوائية تعتمد على الخطوة (step-dependent random seeds). هذه البذور تُشتق عادةً من السياق السابق (تجزئة السياق) أو مؤشرات الخطوات الثابتة.
- ثغرة الاعتماد على السياق: إذا قام المهاجم بإعادة صياغة الجمل السابقة، تتغير البذرة المعاد بناؤها، مما يؤدي إلى فشل إشارة الكشف.
- ثغرة الاعتماد على الخطوة: إذا قام المهاجم بإعادة ترتيب الجمل داخل الفقرة، فإن البذرة المرتبطة بالخطوة لن تعود تتطابق مع موقع الجملة، مما يؤدي إلى تعطيل درجة الكشف.

المشكلة الجوهرية التي يعالجها البحث هي الافتقار إلى مخطط علامة مائية دلالي يكون متينًا بطبيعته ضد هجمات PPA (إعادة الترتيب وإعادة الصياغة الشاملة) مع الحفاظ على جودة النص ودقة الكشف.

2. المنهجية: إطار عمل SAMARK

يقترح المؤلفون SAMARK (العلامة ذاتية الارتكاز)، وهو إطار عمل يلغي الاعتماد على ترتيب الجمل والسياق من خلال إنشاء منطقة خضراء مستقلة عن الخطوة في الفضاء الدلالي.

2.1. الرؤية الجوهرية: شرط الارتكاز الذاتي (SAC)

الابتكار الأساسي هو شرط الارتكاز الذاتي (Self-Anchored Condition)، حيث تعتمد البذرة العشوائية للجملة حصريًا على دلالاتها الجوهرية الخاصة، بدلاً من موقعها أو السياق السابق لها.

الآلية: بالنسبة لجملة $u$ ، تكون البذرة العشوائية هي $r_t = R(\phi(u); k)$ ، حيث $\phi(u)$ هو التمثيل الدلالي و $k$ هو مفتاح خاص.
الضمان النظري: يثبت المبرهن 1 أن هذا الشرط يؤسس "منطقة صالحة" ثابتة عالميًا (المنطقة الخضراء) $\mathcal{G} \subseteq \Omega$ . تنتمي الجملة إلى المنطقة الخضراء إذا وفقط إذا كانت دلالاتها الخاصة ترسم تقسيمًا صالحًا تحت المفتاح، بغض النظر عن وقت أو مكان ظهورها في النص. وهذا يضمن المتانة ضد إعادة الترتيب وتعديل السياق.

2.2. المولد: أخذ العينات الزائدي متعدد القنوات

لتوليد نص يحمل علامة مائية، يستخدم SAMARK استراتيجية أخذ عينات بالرفض معززة بـ آلية تسجيل زائدي متعددة القنوات:

توليد المرشحين: أخذ عينات لـ $N$ من الجمل المرشحة من نموذج LLM الأساسي.
مطابقة القنوات: تصفية المرشحين للاحتفاظ فقط بأولئك الذين تتوافق تمثيلاتها الدلالية مع نمط العلم المستهدف $R$ عبر $c$ من نواقل المحور (القنوات).
التسجيل الزائدي (Hyperbolic Scoring): بدلاً من استخدام تشابه جيب التمام الخام، تطبق الطريقة تحويل الظل الزائدي ( $\tanh$ $tanh$ ) على تشابهات جيب التمام الموقعة:
$S_{wm}(x) = \sum_{j=1}^{c} \tanh(\kappa \cdot r_j \cdot \cos(E(x), v_j))$
- الغرض: يعمل هذا على تضخيم المرشحين ذوي التوافق القوي (دفع الدرجات نحو $\pm 1$ ) مع كبح الضجيج القريب من الصفر. وهذا يمنع تركيز الدرجات بالقرب من حدود القرار، وهي نقطة فشل معروفة تحت هجمات إعادة الصياغة.
تصفية الوعي بالتنوع: لمنع تدهور الجودة المرتبط غالبًا بالقيود الصارمة للعلامة المائية (مثل التكرار)، يدمج SAMARK:
- التصفية الصلبة (Hard Filtering): إزالة المرشحين ذوي التداخل العالي في n-gram أو التشابه الدلالي العالي مع الجمل المولدة سابقًا.
- التنظيم الناعم (Soft Regularization): إضافة مكافآت التنوع ( $\lambda_{div}$ للتنوع الدلالي، $\lambda_{nov}$ لجدة المفردات) إلى درجة الاختيار النهائية.
الاختيار: يتم تطبيق توزيع softmax على المرشحين المصفين لإدخال عشوائية محكومة.

2.3. الكاشف: التصويت بالأغلبية للكشف الأعمى

يعمل الكاشف دون معرفة مسبقة بالأعلام المستهدفة المحددة المستخدمة أثناء التوليد:

التقسيم والتمثيل: تقسيم النص إلى جمل وحساب التمثيلات الدلالية (embeddings).
استنتاج العلم الأعمى: بما أن الأعلام الحقيقية $R$ غير معروفة، يستنتجها الكاشف عبر التصويت بالأغلبية على الاستجابات الاتجاهية لجميع الجمل في النص.
المحاذاة الزائدية: تطبيق نفس تحويل $\tanh$ المستخدم في التوليد على الأعلام المستنتجة.
اختبار Z (Z-Test): حساب إحصائية z عالمية بناءً على مصفوفة المحاذاة المحولة. إذا تجاوز الإحصاء عتبة معينة، يُصنف النص على أنه يحمل علامة مائية.

3. المساهمات الرئيسية

نموذج الارتكاز الذاتي: أول إطار عمل يفصل إشارات العلامة المائية عن ترتيب الجمل والسياق، مما يجعلها متينة ضد هجمات PPA.
التسجيل الزائدي متعدد القنوات: آلية تسجيل مبتكرة تضخم الإشارات القوية وتكبح الضجيج، معالجةً مشكلة تركيز الدرجات بالقرب من الحدود.
التصفية الواعية بالتنوع: استراتيجية تصفية مشتركة (صلبة وناعمة) تخفف من مقايضة المتانة والجودة، مما يمنع التكرار الدلالي والتوليد المتكرر.
التحقق التجريبي: تقييم شامل يظهر أداءً متفوقًا في المتانة والجودة.

4. النتائج التجريبية

أُجريت التجارب على مجموعتي بيانات C4 و BOOKSUM باستخدام نماذج Llama-3.1-8B و Mistral-Small-3.1-24B.

المتانة (RQ1): يتفوق SAMARK بشكل كبير على النماذج المرجعية الحالية (بما في ذلك KGW وSemStamp وPMark) تحت هجوم PPA.
- تحت هجوم Doc-P II الصعب (إعادة صياغة عدوانية)، يحقق SAMARK نسبة 90.2% TP@FP1% على Mistral+BOOKSUM، مقارنة بـ 57.5% لأقوى نموذج مرجعي (PMark).
- يمثل هذا تحسنًا متوسطًا يزيد عن 30% عن أقوى النماذج المرجعية السابقة.
- يحافظ SAMARK على معدلات كشف عالية (>72%) عبر جميع سيناريوهات الهجوم، بينما غالبًا ما تنخفض النماذج المرجعية إلى أقل من 30%.
جودة النص (RQ2): يحافظ SAMARK على جودة توليد تنافس النصوص غير الموسومة.
- تظهر أحكام LLM الزوجية أن SAMARK يحقق معدلات فوز عالية مقابل النماذج المرجعية غير الموسومة.
- تشير مقايسات مثل تكرار الجمل (SD) وDistinct-2 (D-2) إلى أن التصفية الواعية بالتنوع تمنع بفعالية مشكلات التكرار الشائعة في أساليب SWM الأخرى.
الكفاءة (RQ3):
- يقلل SAMARK من العبء الحسابي لطرق المستوى الدلالي. فهو يتطلب 47.44 رمزًا مأخوذًا لكل رمز مُخرج، وهو أقل بكثير من SemStamp (64.5) أو PMark (49.73).
- زمن انتقال الكشف ضئيل (0.0014 ثانية لكل رمز)، حيث يتجنب إعادة التوليد القائم على LLM المطلوب في بعض طرق تعدد البتات (multi-bit).
دراسات الاستئصال (RQ4):
- إزالة التحويل الزائدي في التوليد يؤدي إلى انخفاض هائل في المتانة (على سبيل المثال، ينخفض TP@FP1% لهجوم Doc-P II من 93.2% إلى 67.4%)، مما يؤكد دوره الحاسم.
- تعطيل فلاتر التنوع يؤدي إلى تدهور كبير في الجودة (زيادة التكرار وانخفاض التمايز).

5. الأهمية والادعاءات

يزعم البحث أن SAMARK يمثل تحولًا جذريًا في العلامات المائية على المستوى الدلالي. من خلال الابتعاد عن البذور المعتمدة على الخطوات نحو نهج الارتكاز الذاتي، فإنه يحل مشكلة المتانة ضد إعادة الصياغة على مستوى الفقرة التي كانت تعتبر "مستعصية" وقد حدت من تطور المجال.

كسر المقايضة: ينجح SAMARK في كسر المقايضة التقليدية بين المتانة وجودة النص، محققًا معدلات كشف عالية تحت هجمات شديدة دون التضحية بالطلاقة أو التنوع.
النشر العملي: يُقدم الأسلوب كحل قابل للتطبيق لخدمات LLM في العالم الحقيقي حيث يتم تعديل المحتوى أو تقصيره أو إعادة صياغته بشكل متكرر من قبل المستخدمين.
القيود: يقر المؤلفون بتواضع بأن SAMARK لا يزال يتسبب في زمن انتقال أعلى من طرق مستوى الرمز بسبب الحاجة إلى أخذ عينات الجمل (وهو قيد في نماذج LLM الحالية ذات التوليد الذاتي) وأنه يدعم حاليًا كشف الصفر بت (yes/no) بدلاً من تضمين حمولة تعدد البتات (multi-bit).

في الختام، يضع SAMARK معيارًا جديدًا للعلامات المائية على المستوى الدلالي، حيث يقدم حلاً قويًا وعالي الجودة وفعالًا لتحديد النصوص المولدة بالذكاء الاصطناعي في البيئات العدائية.