Distortion-free Watermarks are not Truly Distortion-free under Watermark Key Collisions

语言模型（LM）数字水印技术通过使用水印密钥作为随机种子，将随机采样过程替换为伪随机采样，将统计信号注入LM生成的内容中。在这些统计水印技术中，无失真水印特别重要，因为它们可以在不损害生成质量的情况下将水印嵌入到LM生成的内容中。然而，伪随机采样相对于真随机采样的一个显著限制是，在相同的水印密钥（即密钥冲突）下，伪随机采样的结果会呈现出相关性。这个限制可能会潜在地破坏无失真特性。我们的研究表明，由于水印密钥的有限可用性，密钥冲突是不可避免的，并且现有的无失真水印在密钥冲突存在时会显示出对原始LM分布的显着分布偏差。此外，由于密钥冲突，实现完美的无失真水印是不可能的，因为在密钥冲突下无法嵌入任何统计信号。为了减少由密钥冲突引起的分布偏差，我们引入了一种新的无失真水印家族--beta水印。实验结果支持beta水印可以在密钥冲突下有效地减少分布偏差。

论文旨在解决语言模型数字水印技术中的扭曲问题，即如何在不影响生成质量的情况下嵌入数字水印。

论文提出了一种新的数字水印方案——beta-watermark，可以有效减少数字水印在关键碰撞下的分布偏差。

论文通过实验验证了beta-watermark的有效性，并指出数字水印技术中存在的一些问题和局限性。

最近的相关研究包括使用深度学习技术进行数字水印嵌入和提取的研究，如“Deep Watermarking: End-to-End Deep Neural Network for Robust Watermarking”等。