WaterSeeker: Efficient Detection of Watermarked Segments in Large Documents

水印算法已经在大型语言模型（LLM）中取得了高精度的检测LLM生成文本的能力。然而，现有方法主要集中在区分完全加水印的文本和未加水印的文本上，忽略了LLMs仅在大型文档中生成小节的实际情况。在这种情况下，平衡时间复杂度和检测性能带来了重大挑战。本文提出了WaterSeeker，一种新方法，可以在广泛的自然文本中高效地检测和定位带水印的段落。首先，它应用一种高效的异常提取方法来初步定位可疑的带水印区域。随后，它进行局部遍历并执行全文检测以进行更精确的验证。理论分析和实验结果表明，WaterSeeker在检测精度和计算效率之间实现了优越的平衡。此外，WaterSeeker的本地化能力支持开发可解释的AI检测系统。这项工作开创了水印段检测的新方向，促进了更可靠的AI生成内容识别。我们的代码可在https://github.com/THU-BPM/WaterSeeker上找到。

解决问题：论文试图解决什么问题，或者验证什么假设？这是否是一个新问题？

关键思路：论文中解决问题的方案关键思路是什么？相比当前这个领域的研究状况，这篇论文的思路有什么新意？

其他亮点：论文提出了WaterSeeker算法，旨在有效检测和定位大型语言模型生成的水印。算法首先使用高效的异常提取方法初步定位可疑的水印区域，然后进行局部遍历和全文检测以进行更精确的验证。实验结果表明，WaterSeeker在检测精度和计算效率之间实现了卓越的平衡。此外，WaterSeeker的本地化能力支持可解释的AI检测系统的发展。该论文的代码已经开源。

相关研究：最近在这个领域中，还有哪些相关的研究被进行？能否列举一些相关研究的论文标题？