🤖 machine learning

MC $^2$ Mark: Distortion-Free Multi-Bit Watermarking for Long Messages

이 논문은 텍스트 품질을 손상시키지 않으면서도 긴 메시지를 효과적으로 삽입하고 복원할 수 있도록 '다중 채널 컬러드 리웨이트' 및 '다중 계층 순차적 리웨이트' 기술을 도입한 새로운 다중 비트 워터마킹 프레임워크인 MC $^2$ Mark 를 제안합니다.

원저자: Xuehao Cui, Ruibo Chen, Yihan Wu, Heng Huang

게시일 2026-02-17

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Xuehao Cui, Ruibo Chen, Yihan Wu, Heng Huang

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

📝 MC2MARK: AI 가 쓴 글에 '보이지 않는 지문'을 남기는 새로운 기술

안녕하세요! 오늘 소개해 드릴 논문은 **"AI 가 쓴 글이 정말 AI 가 썼는지, 그리고 누가 썼는지"**를 증명하는 아주 똑똑한 기술, MC2MARK에 대한 이야기입니다.

이 기술이 왜 필요한지, 어떻게 작동하는지, 그리고 기존 기술과 무엇이 다른지 일상적인 비유로 쉽게 설명해 드릴게요.

1. 왜 이 기술이 필요할까요? (문제 상황)

요즘 AI(거대 언어 모델) 가 쓴 글은 사람이 쓴 글과 구별하기가 정말 어렵습니다. 마치 가짜 지폐가 진짜 지폐와 너무 비슷해서 구별이 안 되는 것과 같아요.

기존의 해결책 (단일 비트 워터마킹): 예전에는 AI 가 쓴 글에 "나는 AI 입니다"라는 단 하나의 신호만 넣었습니다. (예: "이 글은 AI 가 썼어요" vs "아니요"). 하지만 이 방법은 누가 AI 를 썼는지, 어떤 메시지를 담고 있는지 알려주지 못합니다.
새로운 필요 (멀티 비트 워터마킹): 우리는 단순히 "AI 가 썼다"는 것뿐만 아니라, "어떤 회사 AI 가 썼는지", "누가 요청했는지" 같은 구체적인 정보 (비트) 를 글 속에 숨겨야 합니다. 마치 지폐에 시리얼 넘버를 찍어내서 누가 만들었는지, 언제 만들었는지 추적할 수 있게 하는 것과 같습니다.

하지만 여기서 큰 문제가 생깁니다.
정보를 많이 넣을수록 글의 자연스러움이 깨집니다. 마치 지폐에 너무 많은 시리얼 넘버를 새기면 종이가 찢어지거나 글씨가 알아보기 힘들어지는 것처럼요. 기존 기술들은 정보를 많이 넣으면 글의 품질이 떨어지거나, 정보가 길어지면 신호가 약해져서 찾을 수 없게 되었습니다.

2. MC2MARK 의 핵심 아이디어: "무색의 물감"과 "층층이 쌓기"

MC2MARK 는 이 문제를 해결하기 위해 두 가지 놀라운 기술을 사용합니다.

🎨 기술 1: 다채널 컬러 리워팅 (Multi-Channel Colored Reweighting)

비유: "투명한 물감으로 그림을 그리는 법"

기존 기술은 글자 선택 확률을 바꿀 때, 마치 진한 물감을 칠해서 원래 그림을 망가뜨리는 것처럼 보였습니다. 하지만 MC2MARK 는 완전히 투명한 물감을 사용합니다.

단어들을 색깔로 나누기: AI 가 다음 단어를 고를 때, 단어들을 여러 그룹 (채널) 으로 나눕니다. 그리고 우리가 숨기고 싶은 메시지 (예: 101) 에 따라 특정 그룹을 **'초록색 (Green)'**으로, 나머지를 **'빨간색 (Red)'**으로 표시합니다.
균형 잡기: 초록색 단어들이 더 자주 나오도록 확률을 살짝 높여주지만, 동시에 빨간색 단어들의 확률을 낮춰서 전체적인 확률의 합은 100% 로 유지합니다.
결과: AI 가 글을 쓸 때, 초록색 단어가 조금 더 자주 나오지만, 전체적으로 보면 원래 AI 가 쓰던 말투와 자연스러움은 전혀 변하지 않습니다. 마치 물에 물감을 섞어 색을 바꾸지 않고, 오히려 물의 흐름을 살짝 바꿔서 물고기가 원하는 방향으로 가게 하는 것과 같습니다.

🏗️ 기술 2: 다층 순차 리워팅 (Multi-Layer Sequential Reweighting)

비유: "여러 겹의 투명 유리창"

메시지가 길어지면 신호가 약해질 수 있습니다. 이를 해결하기 위해 MC2MARK 는 여러 겹의 유리창을 쌓는 방식을 사용합니다.

글을 쓸 때마다 **서로 다른 10 개의 투명 유리창 (레이어)**을 통과시킵니다.
각 유리창마다 조금씩 다른 규칙으로 신호를 강화합니다.
이렇게 여러 겹을 통과하면, 신호는 매우 강해지지만 (검출이 쉬워짐), 글의 자연스러움은 여전히 유지됩니다. 마치 여러 장의 안경을 낀 것처럼, 안경은 여러 장이지만 시야는 흐려지지 않는 것과 같습니다.

3. 어떻게 메시지를 찾아낼까요? (감지기)

글을 읽는 사람은 AI 가 쓴 글 속에 숨겨진 메시지를 찾아야 합니다. MC2MARK 는 이를 위해 "증거 수집" 방식을 사용합니다.

비유: "수사관이 단서를 모으는 과정"

단서 모으기: 글의 각 단어를 볼 때마다, "이 단어가 초록색 그룹에 속했나요?"를 확인합니다.
누적하기: "아, 이 단어가 초록색 그룹에 속했다면, 숨겨진 메시지의 해당 비트는 '1'일 가능성이 높다"라고 추측합니다.
결정: 글 전체를 다 읽으면, '1'이라고 추측한 횟수와 '0'이라고 추측한 횟수를 비교합니다. 더 많은 쪽이 진짜 메시지입니다.

이 방식은 글이 길어지거나, 일부 단어가 바뀌어도 (예: 사람이 수정하거나, 다른 AI 가 다시 쓴 경우) 여러 단서를 모아보면 결국 정답을 맞출 수 있어 매우 강력합니다.

4. 왜 이 기술이 대단한가요? (성과)

실험 결과를 보면 MC2MARK 는 기존 기술들을 압도합니다.

긴 메시지도 완벽하게: 256 비트 (약 256 개의 0 과 1) 같은 긴 정보를 넣어도 90% 이상의 정확도로 찾아냅니다. (기존 기술들은 긴 메시지가 되면 50% 이하로 떨어졌습니다.)
글의 품질은 그대로: AI 가 쓴 글이 자연스럽고 매끄러우며, 요약이나 번역 같은 작업에서도 품질이 떨어지지 않습니다.
강한 내구성: 글의 50% 를 다른 단어로 바꿔치기하거나, 문장을 다시 써도 (패러프레이징) 여전히 메시지를 찾아냅니다.

🌟 결론: AI 시대의 '디지털 지문'

MC2MARK 는 "글의 자연스러움을 해치지 않으면서도, AI 가 쓴 글에 강력한 디지털 지문을 남기는" 획기적인 기술입니다.

앞으로 이 기술이 널리 쓰인다면:

가짜 뉴스가 AI 가 만든 것인지 쉽게 알 수 있습니다.
저작권 침해나 악성 콘텐츠의 출처를 명확히 추적할 수 있습니다.
AI 가 만든 콘텐츠가 책임감 있게 사용되도록 돕는 기술적 기반이 될 것입니다.

마치 진짜 지폐에 위조 불가능한 시리얼 넘버를 넣어서 가짜 지폐를 막는 것처럼, MC2MARK 는 AI 시대의 글쓰기를 안전하게 지키는 새로운 방패가 될 것입니다! 🛡️✨

MC2MARK: 긴 메시지를 위한 왜곡 없는 다중 비트 워터마킹 기술 요약

본 논문은 대규모 언어 모델 (LLM) 에 의해 생성된 텍스트의 출처 추적 (provenance tracing) 을 위해 제안된 MC2MARK라는 새로운 워터마킹 프레임워크를 소개합니다. 기존 방법론들이 직면한 '긴 메시지 임베딩 시 텍스트 품질 저하' 및 '검출률 감소' 문제를 해결하여, 왜곡 없이 (distortion-free) 긴 메시지를 안정적으로 삽입하고 복원하는 기술을 제시합니다.

1. 문제 정의 (Problem)

대규모 언어 모델의 발전으로 인간이 쓴 것과 구별하기 어려운 텍스트 생성이 가능해졌으나, 이는 악용 및 진위성 확인의 어려움을 야기합니다. 이를 해결하기 위해 통계적 워터마킹이 제안되었으나, 기존 기술들은 다음과 같은 한계를 가집니다.

품질 저하: 워터마크 강도를 높이기 위해 모델의 출력 분포를 왜곡시켜 텍스트의 자연스러움이 떨어집니다.
단일 비트 한계: 대부분의 기존 왜곡 없는 (distortion-free) 방법은 '워터마크 유무'만 판단하는 0-1 비트 결정에 그쳐, 모델 ID 나 사용자 ID 와 같은 구체적인 출처 정보를 담지 못합니다.
긴 메시지 취약성: 다중 비트 워터마킹을 시도한 기존 방법들 (예: BiMark) 은 메시지 길이가 길어질수록 검출 정확도가 급격히 하락하여 실용성이 떨어집니다.

2. 방법론 (Methodology)

MC2MARK 는 왜곡 없는 다중 비트 워터마킹을 실현하기 위해 세 가지 핵심 기술을 결합합니다.

2.1. 다중 채널 컬러 리웨이트 (Multi-Channel Colored Reweighting, MCCR)

개념: 어휘 (Vocabulary) 를 $n$ $n$ 개의 불연속 하위 집합 (subset) 으로 분할하고, 임베딩할 $n$ $n$ 비트 메시지를 각 하위 집합에 할당된 '색상 (Color)'으로 해석합니다.
- 비트가 1 이면 '녹색 (Green, 확률 증폭)', 0 이면 '빨간색 (Red, 확률 감쇠)'으로 지정합니다.
왜곡 방지: 메시지에 따라 확률을 재조정하더라도, 키 (key) 공간의 대칭성을 이용해 기대값 (expectation) 상에서는 원래 모델의 토큰 분포를 유지하도록 설계되었습니다.
최적화: 녹색 집합의 확률 질량을 최대화하되, 정규화 조건과 왜곡 없는 조건을 만족하는 스케일링 인자를 계산합니다.

2.2. 다중 계층 순차 리웨이트 (Multi-Layer Sequential Reweighting, MLSR)

긴 메시지를 안정적으로 검출하기 위해 단일 단계가 아닌 **여러 계층 (Layer)**에 걸쳐 워터마크 신호를 강화합니다.
각 생성 단계에서 여러 개의 서로 다른 워터마크 키를 사용하여 순차적으로 분포를 재조정합니다.
각 계층의 워터마크가 독립적이고 왜곡 없으므로, 이를 중첩하더라도 전체적인 왜곡 없는 속성은 유지됩니다.

2.3. 증거 누적 기반 검출 (Evidence Accumulation Detector)

생성된 텍스트만 보고 메시지를 복원하는 검출기입니다.
각 토큰이 어떤 계층과 세그먼트에서 생성되었는지 재구성하여, 해당 토큰이 '녹색 집합'에 속했는지 여부를 확인합니다.
이를 통해 각 비트에 대한 '히트 (hit)'와 '기회 (opportunity)'를 누적하고, 정규화된 히트율 (HitRate) 을 비교하여 최종 메시지를 복원합니다. 이 방식은 랜덤한 모델 출력과 마스킹 과정의 변동을 효과적으로 평균화합니다.

3. 주요 기여 (Key Contributions)

MC2MARK 프레임워크 제안: 긴 메시지 (수백 비트) 도 왜곡 없이 안정적으로 임베딩하고 검출할 수 있는 새로운 다중 비트 워터마킹 프레임워크를 개발했습니다.
기술적 혁신:
- MCCR: 메시지 비트에 따라 어휘 하위 집합을 적응적으로 스케일링하면서도 분포의 편향을 제거하는 알고리즘.
- MLSR: 신호 강도를 높이기 위해 다중 계층을 활용한 순차적 리웨이트 전략.
- 검출기: 증거 누적 방식을 통해 높은 복원 정확도를 달성하는 검출 알고리즘.
성능 입증: 기존 방법들 (MPAC, BiMark 등) 보다 검출률과 강건성 (Robustness) 에서 월등히 우수한 성능을 보이며, 특히 긴 메시지 구간에서 차이를 극명하게 드러냈습니다.

4. 실험 결과 (Results)

다양한 데이터셋 (Book Report, Fake News, Longform QA 등) 과 메시지 길이 (16~512 비트) 에 대한 실험 결과는 다음과 같습니다.

검출 정확도 (Detectability):
- 짧은 메시지 (16 비트) 에서 거의 100% 의 정확도를 기록했습니다.
- **긴 메시지 (256 비트)**에서 MC2MARK 는 91% 이상의 정확도를 달성하여, 기존 최상위 방법 (BiMark 등) 보다 약 30% 이상 높은 성능을 보였습니다.
- 메시지 길이가 길어질수록 BiMark 등의 성능은 급격히 떨어지는 반면, MC2MARK 는 90% 이상의 높은 정확도를 유지했습니다.
강건성 (Robustness):
- 랜덤 토큰 교체 (Random Token Replacement): 토큰의 50% 가 무작위로 교체되더라도 짧은 메시지에서는 90% 이상의 정확도를 유지했습니다.
- Dipper Paraphrasing (문장 재구성): 의미론적 재구성 공격에서도 기존 방법들보다 월등히 높은 복원률을 보였습니다.
왜곡 없음 (Distortion-Freeness):
- 텍스트 요약 (Summarization) 및 기계 번역 (Machine Translation) 태스크에서 BERTScore, ROUGE, BLEU, Perplexity 등 품질 지표가 워터마크를 적용하지 않은 경우와 거의 동일하게 유지되어, 텍스트 품질 저하가 없음을 입증했습니다.

5. 의의 및 결론 (Significance)

MC2MARK 는 대규모 언어 모델 생성 콘텐츠의 신뢰할 수 있는 출처 추적을 가능하게 하는 기술적 기반을 제공합니다.

규제 및 책임: LLM 생성 콘텐츠의 규제와 책임 있는 사용을 촉진하며, AI 생성 텍스트의 진위성을 검증하는 표준으로 자리 잡을 수 있습니다.

결론적으로, MC2MARK 는 텍스트 품질과 워터마크 강도 간의 트레이드오프 문제를 해결하고, 긴 메시지 임베딩의 한계를 극복한 획기적인 워터마킹 솔루션입니다.