💬 NLP

TextSeal: A Localized LLM Watermark for Provenance & Distillation Protection

TextSeal एक अत्याधुनिक, विरूपण-मुक्त (distortion-free) LLM वॉटरमार्किंग योजना है जो डुअल-की जनरेशन और मल्टी-रीजन लोकलाइजेशन के माध्यम से मजबूत प्रोवेनेंस डिटेक्शन और डिस्टिलेशन सुरक्षा सुनिश्चित करती है, और यह सब आउटपुट गुणवत्ता को बनाए रखते हुए और बिना इन्फरेंस ओवरहेड के सर्विंग ऑप्टिमाइजेशन को सपोर्ट करते हुए किया जाता है।

मूल लेखक: Tom Sander, Hongyan Chang, Tomáš Souček, Tuan Tran, Valeriu Lacatusu, Sylvestre-Alvise Rebuffi, Alexandre Mourachko, Surya Parimi, Christophe Ropers, Rashel Moritz, Vanessa Stark, Hady Elsahar, Pierre

प्रकाशित 2026-05-13

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Tom Sander, Hongyan Chang, Tomáš Souček, Tuan Tran, Valeriu Lacatusu, Sylvestre-Alvise Rebuffi, Alexandre Mourachko, Surya Parimi, Christophe Ropers, Rashel Moritz, Vanessa Stark, Hady Elsahar, Pierre Fernandez

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप एक बेकर हैं जो हर दिन हज़ारों स्वादिष्ट ब्रेड के लोफ (loaves) बनाते हैं। आप यह जानना चाहते हैं कि किराने की दुकान में रखा ब्रेड का एक टुकड़ा आपका बनाया हुआ है, या किसी और ने आपकी रेसिपी कॉपी करके खुद बनाया है। लेकिन यहाँ एक पेंच है: आप ब्रेड पर "बेकर टॉम द्वारा निर्मित" का स्टैम्प नहीं लगा सकते, क्योंकि इससे स्वाद और बनावट खराब हो जाएगी। आपको एक गुप्त सामग्री की आवश्यकता है जो मानवीय जीभ के लिए अदृश्य हो, लेकिन आपके विशेष स्कैनर के लिए एक अनूठा, पता लगाने योग्य फिंगरप्रिंट छोड़ दे।

यह बिल्कुल वही समस्या है जिसे TextSeal AI (लार्ज लैंग्वेज मॉडल्स) के लिए हल करता है। यह एक नया, हाई-टेक "अदृश्य वॉटरमार्क" है जो यह साबित करता है कि टेक्स्ट किसने लिखा है, बिना यह बदले कि वह टेक्स्ट सुनने या दिखने में कैसा है।

यहाँ बताया गया है कि TextSeal कैसे काम करता है, जिसे सरल अवधारणाओं में विभाजित किया गया है:

1. गुप्त सामग्री (Dual-Key Generation)

पुराने वॉटरमार्क ऐसे थे जैसे कोई स्टैम्प जो हमेशा एक ही जगह पर एक ही निशान लगा देता था। यदि आप AI से एक ही सवाल दो बार पूछते, तो वह हर बार वही सटीक उत्तर देता। यह उपयोगकर्ताओं के लिए उबाऊ है और इससे AI एक ही चीज़ को बार-बार दोहराने के लूप (जैसे किसी गाने का बार-बार बजना) में फंस सकता है।

TextSeal का समाधान: यह एक के बजाय दो गुप्त चाबियों (secret keys) का उपयोग करता है। हर बार जब AI कोई शब्द चुनता है, तो वह यह तय करने के लिए एक सिक्का उछालता है कि कौन सी कुंजी का उपयोग करना है।

उपमा (Analogy): कल्पना कीजिए कि आपके पास दो अलग-अलग गुप्त मसाले हैं। कभी आप मसाला A छिड़कते हैं, तो कभी मसाला B। खाने वाले के लिए ब्रेड का स्वाद बिल्कुल एक जैसा रहता है (कोई विकृति नहीं), लेकिन आपके स्कैनर के लिए, मसालों का पैटर्न एक अनूठा और विविध फिंगरप्रिंट बनाता है जो यह साबित करता है कि यह आपका ही है। यह AI के उत्तरों को ताज़ा और विविध बनाए रखता है जबकि उन्हें ट्रैक करने योग्य भी रखता है।

2. स्मार्ट स्कैनर (Entropy-Weighted Detection)

वॉटरमार्क का पता लगाना कठिन है क्योंकि AI कभी बहुत अनुमानित चीजें (कम "entropy") लिखता है और कभी बहुत रचनात्मक, अप्रत्याशित चीजें (उच्च "entropy")।

समस्या: यदि AI अगले शब्द के लिए 99% निश्चित है कि वह "the" होगा, तो वहां वॉटरमार्क जोड़ना तूफान में फुसफुसाहट को छिपाने जैसा है। उसे सुनना बहुत कठिन है। लेकिन यदि AI कई शब्दों के बीच चयन कर रहा है, तो वॉटरमार्क का संकेत बहुत मजबूत होता है।
TextSeal का समाधान: यह एक "स्मार्ट स्कैनर" का उपयोग करता है जो जानता है कि उन हिस्सों पर अधिक ध्यान देना है जहाँ AI अनिश्चित था (उच्च entropy)। यह उबाऊ, अनुमानित हिस्सों को अनदेखा करता है और उन रचनात्मक हिस्सों पर ध्यान केंद्रित करता है जहाँ वॉटरमार्क का संकेत सबसे मजबूत होता है। यह लंबे दस्तावेज़ों में भी पहचान को बहुत सटीक बनाता है।

3. घास के ढेर में सुई ढूँढना (Localized Detection)

कल्पना कीजिए कि कोई आपके द्वारा लिखे गए एक पैराग्राफ को लेता है, उसे मानव द्वारा लिखे गए 50 पन्नों के निबंध में मिला देता है, और दावा करता है कि यह पूरा निबंध उनका है। पुराने वॉटरमार्क पूरे निबंध को देखते, मानव लेखन के कारण भ्रमित हो जाते, और कहते, "मुझे वॉटरमार्क नहीं मिल रहा है।"

TextSeal का समाधान: यह केवल पूरे दस्तावेज़ को नहीं देखता; यह विशिष्ट क्षेत्रों (specific regions) के लिए स्कैन करता है।

उपमा: रेत के एक पूरे समुद्र में रेत के एक अकेले कण को खोजने के बजाय, TextSeal रेत के छोटे, विशिष्ट पैच को देखता है जिनका रंग अद्वितीय है। भले ही AI टेक्स्ट एक विशाल दस्तावेज़ का केवल 5% हो, TextSeal उस 5% को अलग कर सकता है, बाकी को अनदेखा कर सकता है, और कह सकता है, "आहा! यह विशिष्ट पैराग्राफ निश्चित रूप से AI-जनरेटेड है।" यह तब भी काम करता है जब AI टेक्स्ट को काटकर बिखेर दिया गया हो।

4. "रेडियोधर्मी" प्रभाव (Distillation Protection)

यह शायद सबसे शक्तिशाली विशेषता है। यदि कोई प्रतियोगी आपके AI के "दिमाग" को अपने स्वयं के वॉटरमार्क वाले डेटा पर प्रशिक्षित करके चुराने की कोशिश करता है, तो वॉटरमार्क केवल टेक्स्ट में ही नहीं रहता—वह सीखा (learned) जाता है।

उपमा: कल्पना कीजिए कि आपका गुप्त मसाला इतना प्रभावशाली है कि यदि कोई प्रतियोगी आपके पुराने ब्रेड का संदर्भ लेकर अपना नया ब्रेड बनाने की कोशिश करता है, तो उनके नए ब्रेड में अभी भी आपके मसाले का एक हल्का सा अंश मौजूद होता है, भले ही उन्होंने कभी आपकी गुप्त रेसिपी न देखी हो।
दावा: पेपर दिखाता है कि यदि एक स्टूडेंट मॉडल को TextSeal वॉटरमार्क वाले डेटा पर प्रशिक्षित किया जाता है, तो वह स्टूडेंट मॉडल "रेडियोधर्मी" (radioactive) हो जाता है। आप स्टूडेंट मॉडल का परीक्षण कर सकते हैं, और वह अभी भी वॉटरमार्क सिग्नल दिखाएगा, जिससे साबित होता है कि वह आपके डेटा पर प्रशिक्षित हुआ था। यह प्रतिस्पर्धियों को चुपके से आपके मॉडल के ज्ञान की नकल करने से रोकता है।

यह एक बड़ी बात क्यों है?

यह अदृश्य है: पेपर ने हजारों उदाहरणों को पढ़ने वाले मनुष्यों के साथ इसका परीक्षण किया। वे वॉटरमार्क वाले और बिना वॉटरमार्क वाले टेक्स्ट के बीच अंतर नहीं कर सके। इसने AI को रोबोटिक नहीं बनाया और न ही इससे गलतियाँ हुईं।
यह तेज़ है: यह AI की सोचने की प्रक्रिया में लगभग शून्य समय जोड़ता है, इसलिए इसका उपयोग रियल-टाइम ऐप्स में किया जा सकता है।
यह मज़बूत है: यह पिछले तरीकों (जैसे Google के SynthID) को वॉटरमार्क का पता लगाने में मात देता है, भले ही टेक्स्ट को बहुत अधिक पतला किया गया हो या मानव लेखन के साथ मिला दिया गया हो।

संक्षेप में, TextSeal आपके AI के काम पर एक अदृश्य, अटूट स्याही के साथ हस्ताक्षर करने का एक तरीका है जो कॉपी करने, मिलाने और यहाँ तक कि अन्य मॉडलों द्वारा "सीखे जाने" के बाद भी जीवित रहता है, और यह सब टेक्स्ट की गुणवत्ता को खराब किए बिना किया जाता है।

तकनीकी सारांश: TextSeal

समस्या विवरण

उत्पादन प्रणालियों (production systems) में लार्ज लैंग्वेज मॉडल्स (LLMs) की तीव्र तैनाती के लिए सामग्री के मूल स्रोत (content provenance) हेतु विश्वसनीय तंत्रों की आवश्यकता है। वॉटरमार्किंग, उत्पन्न टेक्स्ट में एक अदृश्य, एल्गोरिदम द्वारा पता लगाने योग्य संकेत (signal) को एम्बेड करने का लक्ष्य रखती है ताकि AI मूल की पहचान की जा सके, उभरते नियमों (जैसे, EU AI Act) का अनुपालन किया जा सके, और अनधिकृत उपयोगों जैसे कि मॉडल डिस्टिलेशन या सिंथेटिक डेटा पर सेल्फ-ट्रेनिंग को रोका जा सके।

मौजूदा अत्याधुनिक (state-of-the-art) विधियाँ एक महत्वपूर्ण ट्रेड-ऑफ का सामना करती हैं: डिटेक्टेबिलिटी (पता लगाने की क्षमता) और डाइवर्सिटी (विविधता)। जबकि Gumbel-max सैंपलिंग जैसी डिस्टॉर्शन-फ्री विधियाँ मॉडल के मूल आउटपुट वितरण को सुरक्षित रखती हैं (यह सुनिश्चित करते हुए कि गुणवत्ता में कोई गिरावट न आए), वे पूरी तरह से नियतिवादी (deterministic) होती हैं: एक निश्चित प्रॉम्प्ट और सीक्रेट की (secret key) हमेशा एक ही आउटपुट देती है। यह जनरेशन की विविधता को समाप्त कर देता है, जिससे दोहराव वाले लूप और खराब यूजर एक्सपीरियंस होता है। इसके विपरीत, विविधता को बहाल करने के लिए रैंडमनेस (randomness) लाने वाली विधियाँ अक्सर वॉटरमार्क की सांख्यिकीय शक्ति से समझौता करती हैं या डिस्टॉर्शन (आउटपुट वितरण को बायस करना) पैदा करती हैं। इसके अलावा, मौजूदा डिटेक्टर्स डाइल्यूशन (dilution) के प्रति संघर्ष करते हैं, यानी जब वॉटरमार्क किया गया कंटेंट मानव-लिखित टेक्स्ट के बड़े वॉल्यूम के साथ मिश्रित हो या एक डॉक्यूमेंट में खंडित (fragmented) हो, तो वे उसे पहचानने में विफल रहते हैं।

कार्यप्रणाली: TextSeal

TextSeal एक डिस्टॉर्शन-फ्री, नॉन-डिटरमिनिस्टिक वॉटरमार्किंग स्कीम है जो Gumbel-max फ्रेमवर्क पर आधारित है। यह पूर्ववर्ती विधियों की सीमाओं को दूर करने के लिए तीन मुख्य तकनीकी नवाचार पेश करता है:

1. विविधता के लिए ड्यूल-की जनरेशन (Dual-Key Generation for Diversity)

स्टैंडर्ड Gumbel-max के नियतिवाद (determinism) को दूर करने के लिए, TextSeal ड्यूल-की रूटिंग (Dual-Key Routing) का उपयोग करता है।

तंत्र: प्रत्येक जनरेशन स्टेप पर, सिस्टम क्रमशः $1-\alpha$ और $\alpha$ की संभावनाओं के साथ दो सीक्रेट कीज़, $k^{(1)}$ या $k^{(2)}$ , में से एक को रैंडमली चुनता है। चुने गए की (key) से प्राप्त PRF (Pseudo-Random Function) मान का उपयोग करके टोकन का चयन किया जाता है।
प्रभाव: यह डिस्टॉर्शन-फ्री गुण बनाए रखते हुए आउटपुट डाइवर्सिटी को बहाल करता है (नियतिवादी लूप को तोड़ता है)।
अनुकूलन (Optimization): रूटिंग प्रोबेबिलिटी $\alpha$ को स्पेक्युलेटिव डिकोडिंग एक्सेप्टेंस रेट्स (जैसे, मल्टी-टोकन प्रेडिक्शन परिदृश्यों में) के साथ डायनामिकली अलाइन किया जा सकता है, जिससे बिना इन्फरेंस लेटेंसी जोड़े सर्विंग ऑप्टिमाइजेशन के साथ अनुकूलता सुनिश्चित होती है।

2. एंट्रॉपी-वेटेड डिटेक्शन (Entropy-Weighted Detection)

स्टैंडरल डिटेक्शन स्कोर सभी टोकन को समान रूप से देखते हैं, लेकिन वॉटरमार्क सिग्नल स्वाभाविक रूप से लो-एंट्रॉपी क्षेत्रों में कमजोर होता है (जहाँ मॉडल अत्यधिक आत्मविश्वासी होता है और टॉप टोकन PRF के बावजूद हावी रहता है)।

तंत्र: TextSeal प्रत्येक टोकन के डिटेक्शन स्कोर को उसके स्थानीय एंट्रॉपी (local entropy) द्वारा वेट करता है, जिसका अनुमान एक लाइटवेट प्रॉक्सी मॉडल के माध्यम से लगाया जाता है। हाई-एंट्रॉपी पोजीशन, जहाँ वॉटरमार्क का अधिक प्रभाव होता है, अंतिम सांख्यिकी में अधिक योगदान देती हैं।
सांख्यिकीय अंशांकन (Statistical Calibration): स्कोर का वेटेड सम (weighted sum) एक हाइपोएक्सपोनेंशियल डिस्ट्रीब्यूशन का पालन करता है। कुशल तरीके से कैलिब्रेटेड p-values की गणना करने के लिए, TextSeal एक मोमेंट-मैच्ड गामा एप्रोक्सिमेशन (moment-matched Gamma approximation) का उपयोग करता है, जो वेट्स की विषमता और ड्यूल-की रूटिंग वेरिएंस को संभालता है।

3. लोकलाइज्ड मल्टी-रीजन डिटेक्शन (Localized Multi-Region Detection)

ग्लोबल डिटेक्टर्स तब विफल हो जाते हैं जब वॉटरमार्क किया गया टेक्स्ट एक लंबे डॉक्यूमेंट का एक छोटा हिस्सा होता है (डाइल्यूशन) या गैर-निरंतर सेगमेंट्स में बिखरा होता है (फ्रैगमेंटेशन)।

तंत्र: TextSeal वॉटरमार्क किए गए सेगमेंट्स की पहचान करने के लिए एक जियोमेट्रिक कवर सर्च (geometric cover search) का उपयोग करता है। सभी संभावित इंटरवल्स ( $O(n^2)$ ) को टेस्ट करने के बजाय, यह विंडो लेंथ ( $L, 2L, 4L, \dots$ ) के एक डायडिक ग्रिड (dyadic grid) को खोजता है।
एक्सट्रैक्शन: एक ग्रीडी एल्गोरिदम सबसे कम p-values वाले डिस्क जॉइंट इंटरवल्स को निकालता है, उन्हें एकत्रित करता है और फैमिली-वाइज एरर रेट को नियंत्रित करने के लिए बॉर्नफेरोनी करेक्शन (Bonferroni corrections) लागू करता है।
एडैप्टिव एन्सेम्बल (Adaptive Ensemble): सिस्टम तीन रणनीतियों में से सबसे महत्वपूर्ण परिणाम को एडैप्टिवली चुनता है: एक ग्लोबल फुल-टेक्स्ट टेस्ट, एक सिंगल-बेस्ट विंडो, या एक मल्टी-रीजन एग्रीगेशन। यह सुनिश्चित करता है कि टेक्स्ट पूरी तरह से वॉटरमार्क किया गया हो या अत्यधिक मिश्रित हो, यह मजबूत बना रहे।

प्रमुख योगदान

स्टेट-ऑफ-द-आर्ट ट्रेड-ऑफ: TextSeal डाइवर्सिटी-डिटेक्टेबिलिटी पारेटो फ्रंटियर (Pareto frontier) पर सख्ती से हावी है, जो SynthID-text और स्टैंडर्ड Gumbel-max से बेहतर प्रदर्शन करता है। यह उच्च डिटेक्टेबिलिटी प्राप्त करता है और साथ ही नॉन-वॉटरमार्क जनरेशन के बराबर डाइवर्सिटी को बहाल करता है।
डाइल्यूशन के प्रति मजबूती: लोकलाइज्ड डिटेक्शन के माध्यम से, TextSeal तब भी कॉन्फिडेंट डिटेक्शन बनाए रखता है जब वॉटरमार्क किया गया कंटेंट 10x के फैक्टर से डाइल्यूट हो या लंबे डॉक्यूमेंट्स के भीतर कई छोटे क्षेत्रों में बिखरा हुआ हो, जहाँ ग्लोबल बेसलाइन्स विफल हो जाते हैं।
जीरो इन्फरेंस ओवरहेड: यह स्कीम नगण्य सैंपलिंग ओवरहेड ( $\le 0.3\%$ ) जोड़ती है और मॉडल पैरामीटर बदलाव या KV-कैश संशोधनों की आवश्यकता के बिना स्पेक्युलेटिव डिकोडिंग और मल्टी-टोकन प्रेडिक्शन (MTP) के साथ पूरी तरह से संगत है।
डिस्टिलेशन के माध्यम से रेडियोएक्टिविटी: TextSeal प्रदर्शित करता है कि इसका वॉटरमार्क सिग्नल "रेडियोएक्टिव" है। जब टीचर आउटपुट्स से स्टूडेंट मॉडल को डिस्टिल किया जाता है, तो स्टूडेंट मॉडल एक डिटेक्टेबल टोकन बायस को विरासत में प्राप्त करता है, जिससे मूल जनरेशन कॉन्टेक्स्ट तक पहुंच के बिना भी अनधिकृत डिस्टिलेशन का पता लगाना संभव हो जाता है।
क्षमताओं का संरक्षण: 12 बेंचमार्क (मैथ, कोड, रीजनिंग, नॉलेज) पर व्यापक मूल्यांकन और मल्टीलिंगुअल ह्यूमन इवैल्यूएशन पुष्टि करते हैं कि TextSeal डाउनस्ट्रीम मॉडल परफॉरमेंस को सुरक्षित रखता है और कोई प्रत्यक्ष गुणवत्ता गिरावट नहीं लाता है।

प्रयोगात्मक परिणाम

डिटेक्टेबिलिटी बनाम डाइवर्सिटी: ELI5 डेटासेट पर मूल्यांकन में, TextSeal ( $\alpha=0.1$ के साथ) समकक्ष Self-BLEU डाइवर्सिटी स्कोर पर SynthID और Gumbel-max की तुलना में काफी कम p-values (उच्च डिटेक्टेबिलिटी) प्राप्त करता है।
डाइल्यूशन रेजिस्टेंस: TextSeal का एडैप्टिव एन्सेम्बल 12,000 अनवॉटरमार्क किए गए टोकन के बीच 400 वॉटरमार्क किए गए टोकन (3.3% वॉटरमार्क अंश) होने पर भी मजबूत डिटेक्शन ( $-\log_{10} p > 4$ ) बनाए रखता है। ग्लोबल बेसलाइन्स बहुत कम डाइल्यूशन स्तरों पर ही महत्व (significance) खो देते हैं।
परफॉरमेंस प्रिजर्वेशन: AIME, MATH, GSM8K और HumanEval सहित बेंचमार्क पर, TextSeal वैनिला जनरेशन की तुलना में कोई सांख्यिकीय रूप से महत्वपूर्ण प्रदर्शन गिरावट नहीं दिखाता है। कोड बेंचमार्क में देखे गए मामूली उतार-चढ़ाव को रीजनिंग डिग्रेडेशन के बजाय फॉर्मेटिंग नॉइज़ के कारण माना गया है।
ह्यूमन परसेप्शन: 5 भाषाओं में 6,000 A/B तुलनाओं वाले मल्टीलिंगुअल ह्यूमन इवैल्यूएशन में कोई प्रत्यक्ष गुणवत्ता अंतर नहीं पाया गया। इक्विवेलेंस टेस्टिंग (TOST) ने पुष्टि की कि वॉटरमार्क किए गए और नॉन-वॉटरमार्क किए गए आउटपुट के बीच प्राथमिकता का अंतर $\pm 5\%$ के भीतर सीमित है।
डिस्टिलेशन ट्रांसफर: डिस्टिलेशन प्रयोगों (DeepSeek-R1 से Qwen2.5-3B) में, वॉटरमार्क किए गए ट्रेसेस ने सफलतापूर्वक सिग्नल को स्टूडेंट मॉडल में ट्रांसफर किया। Text-Seal ने मूल सेटअप में सबसे मजबूत डिटेक्शन सिग्नल प्राप्त किया क्योंकि इसमें डेटा रिटेंशन अधिक था, जबकि Gumbel-max ने नियंत्रित डेटा वॉल्यूम के तहत प्रति-टोकन सिग्नल अधिक दिखाया।

महत्व और दावे

यह पेपर TextSeal को LLM वॉटरमार्किंग के लिए एक व्यावहारिक, प्रोडक्शन-रेडी समाधान के रूप में स्थापित करता है। इसका प्राथमिक महत्व डाइवर्सिटी और डिटेक्टेबिलिटी के बीच लंबे समय से चले आ रहे तनाव को बिना डिस्टॉर्शन-फ्रीनेस से समझौता किए हल करने में निहित है।

लेखक दावा करते हैं कि TextSeal अनधिकृत मॉडल डिस्टिलेशन के खिलाफ एक "रेडियोएक्टिव" सुरक्षा प्रदान करता है, जो एक महत्वपूर्ण चिंता है क्योंकि ओपन-वेट मॉडल्स का उपयोग तेजी से सिंथेटिक डेटा पर प्रशिक्षण के लिए किया जा रहा है। स्टूडेंट मॉडल्स में वॉटरमार्क किए गए ट्रेसेस का पता लगाने में सक्षम बनाकर, Text-Seal मॉडल के उपयोग की निगरानी करने और बौद्धिक संपदा की रक्षा करने का एक तंत्र प्रदान करता है।

पेपर अपनी सीमाओं के संबंध में विनम्र है: यह स्वीकार करता है कि हालांकि सिंगल जनरेशन के लिए वॉटरमार्क डिस्टॉर्शन-फ्री है, लेकिन ड्यूल-की मैकेनिज्म के माध्यम से डाइवर्सिटी में कमी उन वर्कफ़्लो को प्रभावित कर सकती है जो विविध आउटपुट (जैसे, बेस्ट-ऑफ-N रँकिंग) पर निर्भर हैं। हालाँकि, यह नोट करता है कि आधुनिक रीजनिंग मॉडल्स अक्सर स्वाभाविक रूप से कोलैप्स्ड एंट्रॉपी प्रदर्शित करते हैं, जो इस मामूली नुकसान को कम कर सकता है। यह कार्य वॉटरमार्किंग के लिए एक नया आधार स्थापित करता है जो सैद्धांतिक रूप से सुदृढ़, अनुभवजन्य रूप से मजबूत और आधुनिक इन्फरेंस इंफ्रास्ट्रक्चर के साथ संगत है।