लार्ज लैंग्वेज मॉडल वॉटरमार्किंग, जो मॉडल आउटपुट के भीतर अदृश्य लेकिन पता लगाने योग्य संकेतों को एकीकृत करता है, लार्ज लैंग्वेज मॉडल्स के दुरुपयोग को रोकने के लिए महत्वपूर्ण है। ये वॉटरमार्किंग तकनीकें मुख्य रूप से दो श्रेणियों में विभाजित हैं: केजीडब्ल्यू परिवार और क्राइस्ट परिवार। केजीडब्ल्यू परिवार एलएलएम द्वारा उत्पादित लॉगिट्स को संशोधित करता है ताकि वॉटरमार्क्ड आउटपुट बनाया जा सके जो वोकेबुलरी को पिछले टोकन के आधार पर एक हरे रंग की सूची और एक लाल सूची में वर्गीकृत करता है। टेक्स्ट पीढ़ी के दौरान हरे रंग की सूची टोकन के लॉगिट्स में पूर्वाग्रह पेश किया जाता है, जो उत्पादित पाठ में इन टोकन को पसंद करता है। एक सांख्यिकीय मीट्रिक तब हरे शब्दों के अनुपात से गणना की जाती है, और एक सीमा निर्धारित की जाती है ताकि वॉटरमार्क्ड और गैर-वॉटरमार्क्ड पाठ के बीच अंतर किया जा सके। केजीडब्ल्यू विधि में सुधार में बेहतर सूची विभाजन, बेहतर लॉगिट मैनिपुलेशन, वॉटरमार्क जानकारी क्षमता में वृद्धि, वॉटरमार्क हटाने के हमलों का प्रतिरोध, और सार्वजनिक रूप से वॉटरमार्क का पता लगाने की क्षमता शामिल है।

इसके विपरीत, क्राइस्ट परिवार एलएलएम पाठ पीढ़ी के दौरान नमूना प्रक्रिया को संशोधित करता है, जो टोकन का चयन करने के तरीके को बदलकर एक वॉटरमार्क एम्बेड करता है। दोनों वॉटरमार्किंग परिवार वॉटरमार्क की पता लगाने योग्यता के साथ पाठ की गुणवत्ता को संतुलित करने का लक्ष्य रखते हैं, जो विभिन्न एंट्रोपी सेटिंग्स में लचीलापन, वॉटरमार्क जानकारी क्षमता में वृद्धि, और हटाने के प्रयासों के खिलाफ सुरक्षा जैसी चुनौतियों का सामना करते हैं। हाल के शोध ने सूची विभाजन और लॉगिट मैनिपुलेशन को परिष्कृत करने, वॉटरमार्क जानकारी क्षमता में वृद्धि, वॉटरमार्क हटाने के प्रतिरोध विकसित करने, और सार्वजनिक पता लगाने को सक्षम करने पर केंद्रित किया है। अंततः, एलएलएम वॉटरमार्किंग बड़े भाषा मॉडलों के नैतिक और जिम्मेदार उपयोग के लिए महत्वपूर्ण है, जो एलएलएम-उत्पन्न पाठ को ट्रेस और सत्यापित करने के लिए एक विधि प्रदान करता है। केजीडब्ल्यू और क्राइस्ट परिवार दो अलग-अलग दृष्टिकोण प्रदान करते हैं, प्रत्येक की अपनी अनूठी ताकत और अनुप्रयोग हैं, जो निरंतर शोध और नवाचार के माध्यम से विकसित हो रहे हैं।

लार्ज लैंग्वेज मॉडल वॉटरमार्किंग फ्रेमवर्क की क्षमता के कारण एलएलएम आउटपुट में अल्गोरिदमिक रूप से पता लगाने योग्य संकेत एम्बेड करने में महत्वपूर्ण भूमिका निभा रहे हैं, बड़े भाषा मॉडलों के दुरुपयोग से जुड़े जोखिमों को कम करने में। हालांकि, वर्तमान में बाजार में कई एलएलएम वॉटरमार्किंग फ्रेमवर्क हैं, प्रत्येक की अपनी दृष्टिकोण और मूल्यांकन प्रक्रियाएं हैं, जिससे शोधकर्ताओं के लिए इन फ्रेमवर्क के साथ प्रयोग करना मुश्किल हो जाता है। इस समस्या का समाधान करने के लिए, मार्कएलएलएम, एक ओपन-सोर्स टूलकिट वॉटरमार्किंग के लिए, एलएलएम वॉटरमार्किंग एल्गोरिदम को लागू करने के लिए एक विस्तारित और एकीकृत फ्रेमवर्क प्रदान करता है, जबकि उपयोगकर्ता-मित्र इंटरफेस प्रदान करता है ताकि उपयोग में आसानी और पहुंच सुनिश्चित की जा सके। इसके अलावा, मार्कएलएलएम फ्रेमवर्क इन फ्रेमवर्क की तंत्र के स्वचालित दृश्यीकरण का समर्थन करता है, जिससे इन मॉडलों की समझ में सुधार होता है। मार्कएलएलएम फ्रेमवर्क तीन दृष्टिकोणों को कवर करने वाले 12 टूल्स का एक व्यापक सूट प्रदान करता है, साथ ही अपने प्रदर्शन का मूल्यांकन करने के लिए दो स्वचालित मूल्यांकन पाइपलाइनें प्रदान करता है।

मार्कएलएलएम: एक एलएलएम वॉटरमार्किंग टूलकिट

बड़े भाषा मॉडल फ्रेमवर्क जैसे एलएलएएमए, जीपीटी-4, चैटजीपीटी और अधिक के उद्भव ने एआई मॉडल की क्षमता को विशिष्ट कार्यों को करने में काफी आगे बढ़ा दिया है, जिनमें रचनात्मक लेखन, सामग्री समझ, संरचना पुनर्प्राप्ति और बहुत कुछ शामिल हैं। हालांकि, वर्तमान बड़े भाषा मॉडलों की असाधारण क्षमता के साथ-साथ कुछ जोखिम भी सामने आए हैं, जिनमें शैक्षणिक पेपर गHOSTराइटिंग, एलएलएम द्वारा उत्पन्न नकली समाचार और चित्रण, और व्यक्तिगत व्यक्तिगतता का उल्लेख करना शामिल है। इन मुद्दों से जुड़े जोखिमों को देखते हुए, एलएलएम-उत्पन्न और मानव सामग्री के बीच अंतर करने में सक्षम विश्वसनीय तरीके विकसित करना महत्वपूर्ण है, जो डिजिटल संचार की प्रामाणिकता सुनिश्चित करने और गलत सूचना के प्रसार को रोकने के लिए एक प्रमुख आवश्यकता है। पिछले कुछ वर्षों से, एलएलएम वॉटरमार्किंग को एलएलएम-उत्पन्न सामग्री और मानव सामग्री के बीच अंतर करने के लिए एक आशाजनक समाधान के रूप में सुझाया गया है, और पाठ पीढ़ी प्रक्रिया के दौरान विशिष्ट विशेषताओं को एकीकृत करके एलएलएम आउटपुट को विशिष्ट रूप से पहचाना जा सकता है। हालांकि, एलएलएम वॉटरमार्किंग फ्रेमवर्क की पroliferation और उनके जटिल एल्गोरिदम के साथ-साथ मूल्यांकन मेट्रिक्स और दृष्टिकोणों का विविधीकरण इस फ्रेमवर्क के साथ प्रयोग करना बहुत मुश्किल बना देता है।

इस अंतर को पाटने के लिए, मार्कएलएलएम फ्रेमवर्क निम्नलिखित योगदान करने का प्रयास करता है। मार्कएलएलएम एल्गोरिदम लोड करने, वॉटरमार्क्ड पाठ उत्पन्न करने, पता लगाने की प्रक्रिया करने और दृश्यीकरण के लिए डेटा संग्रह करने के लिए संगत और उपयोगकर्ता-मित्र इंटरफेस प्रदान करता है। यह दोनों प्रमुख वॉटरमार्किंग एल्गोरिदम परिवारों के लिए कस्टम दृश्यीकरण समाधान प्रदान करता है, जिससे उपयोगकर्ता विभिन्न कॉन्फ़िगरेशन के साथ विभिन्न एल्गोरिदम को वास्तविक दुनिया के उदाहरणों के साथ देख सकते हैं। टूलकिट में वॉटरमार्क की पता लगाने योग्यता, लचीलापन और पाठ गुणवत्ता प्रभाव को संबोधित करने वाले 12 टूल्स के साथ एक व्यापक मूल्यांकन मॉड्यूल शामिल है। इसके अलावा, यह दो प्रकार के स्वचालित मूल्यांकन पाइपलाइनें प्रदान करता है जो उपयोगकर्ता-निर्दिष्ट डेटासेट, मॉडल, मूल्यांकन मेट्रिक्स और हमलों के लिए समर्थन करता है, जो लचीले और व्यापक मूल्यांकन की सुविधा प्रदान करता है। एक मॉड्यूलर, ढीले रूप से जुड़े आर्किटेक्चर के साथ डिज़ाइन किया गया, मार्कएलएलएम स्केलेबिलिटी और लचीलापन में सुधार करता है। यह डिज़ाइन विकल्प नए एल्गोरिदम, नवीन दृश्यीकरण तकनीकों और मूल्यांकन टूलकिट के विस्तार को भविष्य के विकासकर्ताओं द्वारा एकीकरण का समर्थन करता है।

कई वॉटरमार्किंग एल्गोरिदम प्रस्तावित किए गए हैं, लेकिन उनके अद्वितीय कार्यान्वयन दृष्टिकोण अक्सर मानकीकरण पर विशिष्ट आवश्यकताओं को प्राथमिकता देते हैं, जिससे कई मुद्दे उत्पन्न होते हैं

1. क्लास डिज़ाइन में मानकीकरण की कमी: यह मौजूदा तरीकों को अनुकूलित करने या विस्तारित करने के लिए महत्वपूर्ण प्रयास की आवश्यकता को दर्शाता है क्योंकि पर्याप्त मानकीकृत क्लास डिज़ाइन की कमी है।
2. टॉप-लेवल कॉलिंग इंटरफेस में एकरूपता की कमी: असंगत इंटरफेस बैच प्रोसेसिंग और विभिन्न एल्गोरिदम की प्रतिलिपि बनाने को कठिन और श्रमसाध्य बना देते हैं।
3. कोड मानक मुद्दे: चुनौतियों में कई कोड खंडों में सेटिंग्स को संशोधित करने की आवश्यकता शामिल है, और असंगत दस्तावेजीकरण, जो अनुकूलन और प्रभावी उपयोग को जटिल बना देता है। हार्ड-कोडेड मान और असंगत त्रुटि हैंडलिंग आगे अनुकूलन और डीबगिंग प्रयासों को बाधित करते हैं।

इन मुद्दों को संबोधित करने के लिए, हमारा टूलकिट विभिन्न राज्य-ऑफ-द-आर्ट एल्गोरिदम को लचीले कॉन्फ़िगरेशन के तहत सुविधाजनक रूप से बुलाने के लिए एक एकीकृत कार्यान्वयन फ्रेमवर्क प्रदान करता है। इसके अलावा, हमारी सावधानीपूर्वक डिज़ाइन की गई क्लास संरचना भविष्य के विस्तार के लिए मार्ग प्रशस्त करती है। निम्नलिखित चित्र इस एकीकृत कार्यान्वयन फ्रेमवर्क के डिज़ाइन को प्रदर्शित करता है।

फ्रेमवर्क के वितरित डिज़ाइन के कारण, यह विकासकर्ताओं के लिए किसी विशिष्ट वॉटरमार्किंग एल्गोरिदम क्लास में अतिरिक्त टॉप-लेवल इंटरफेस जोड़ना सीधा है, बिना अन्य एल्गोरिदम को प्रभावित किए।

मार्कएलएलएम: आर्किटेक्चर और विधि

एलएलएम वॉटरमार्किंग तकनीकें मुख्य रूप से दो श्रेणियों में विभाजित हैं: केजीडब्ल्यू परिवार और क्राइस्ट परिवार। केजीडब्ल्यू परिवार एलएलएम द्वारा उत्पादित लॉगिट्स को संशोधित करता है ताकि वॉटरमार्क्ड आउटपुट बनाया जा सके जो वोकेबुलरी को पिछले टोकन के आधार पर एक हरे रंग की सूची और एक लाल सूची में वर्गीकृत करता है। टेक्स्ट पीढ़ी के दौरान हरे रंग की सूची टोकन के लॉगिट्स में पूर्वाग्रह पेश किया जाता है, जो उत्पादित पाठ में इन टोकन को पसंद करता है। एक सांख्यिकीय मीट्रिक तब हरे शब्दों के अनुपात से गणना की जाती है, और एक सीमा निर्धारित की जाती है ताकि वॉटरमार्क्ड और गैर-वॉटरमार्क्ड पाठ के बीच अंतर किया जा सके। केजीडब्ल्यू विधि में सुधार में बेहतर सूची विभाजन, बेहतर लॉगिट मैनिपुलेशन, वॉटरमार्क जानकारी क्षमता में वृद्धि, वॉटरमार्क हटाने के हमलों का प्रतिरोध, और सार्वजनिक रूप से वॉटरमार्क का पता लगाने की क्षमता शामिल है।

इसके विपरीत, क्राइस्ट परिवार एलएलएम पाठ पीढ़ी के दौरान नमूना प्रक्रिया को संशोधित करता है, जो टोकन का चयन करने के तरीके को बदलकर एक वॉटरमार्क एम्बेड करता है। दोनों वॉटरमार्किंग परिवार वॉटरमार्क की पता लगाने योग्यता के साथ पाठ की गुणवत्ता को संतुलित करने का लक्ष्य रखते हैं, जो विभिन्न एंट्रोपी सेटिंग्स में लचीलापन, वॉटरमार्क जानकारी क्षमता में वृद्धि, और हटाने के प्रयासों के खिलाफ सुरक्षा जैसी चुनौतियों का सामना करते हैं। हाल के शोध ने सूची विभाजन और लॉगिट मैनिपुलेशन को परिष्कृत करने, वॉटरमार्क जानकारी क्षमता में वृद्धि, वॉटरमार्क हटाने के प्रतिरोध विकसित करने, और सार्वजनिक पता लगाने को सक्षम करने पर केंद्रित किया है। अंततः, एलएलएम वॉटरमार्किंग बड़े भाषा मॉडलों के नैतिक और जिम्मेदार उपयोग के लिए महत्वपूर्ण है, जो एलएलएम-उत्पन्न पाठ को ट्रेस और सत्यापित करने के लिए एक विधि प्रदान करता है। केजीडब्ल्यू और क्राइस्ट परिवार दो अलग-अलग दृष्टिकोण प्रदान करते हैं, प्रत्येक की अपनी अनूठी ताकत और अनुप्रयोग हैं, जो निरंतर शोध और नवाचार के माध्यम से विकसित हो रहे हैं।

स्वचालित व्यापक मूल्यांकन

एक एलएलएम वॉटरमार्किंग एल्गोरिदम का मूल्यांकन एक जटिल कार्य है। सबसे पहले, यह विभिन्न पहलुओं पर विचार करने की आवश्यकता है, जिनमें वॉटरमार्क की पता लगाने योग्यता, टैम्परिंग के खिलाफ लचीलापन, और पाठ गुणवत्ता पर प्रभाव शामिल हैं। दूसरा, प्रत्येक दृष्टिकोण से मूल्यांकन अलग-अलग मेट्रिक्स, हमले दृश्य, और कार्यों की आवश्यकता हो सकती है। इसके अलावा, मूल्यांकन आमतौर पर कई चरणों को शामिल करता है, जैसे कि मॉडल और डेटासेट का चयन, वॉटरमार्क्ड पाठ का उत्पादन, पोस्ट-प्रोसेसिंग, वॉटरमार्क का पता लगाना, पाठ का टैम्परिंग, और मेट्रिक्स की गणना। एलएलएम वॉटरमार्किंग एल्गोरिदम के मूल्यांकन को सुविधाजनक और व्यापक बनाने के लिए, मार्कएलएलएम 12 उपयोगकर्ता-मित्र टूल्स प्रदान करता है, जिनमें विभिन्न मेट्रिक्स कैलकुलेटर और हमलावर शामिल हैं जो तीन ऊपर उल्लिखित मूल्यांकन दृष्टिकोणों को कवर करते हैं। इसके अलावा, मार्कएलएलएम दो प्रकार के स्वचालित डेमो पाइपलाइनें प्रदान करता है, जिनके मॉड्यूल को लचीले ढंग से अनुकूलित और इकट्ठा किया जा सकता है, जिससे आसान कॉन्फ़िगरेशन और उपयोग संभव हो जाता है।

पता लगाने योग्यता के लिए, अधिकांश वॉटरमार्किंग एल्गोरिदम अंततः वॉटरमार्क्ड और गैर-वॉटरमार्क्ड पाठ के बीच अंतर करने के लिए एक सीमा निर्दिष्ट करने की आवश्यकता होती है। हम एक बुनियादी सफलता दर कैलकुलेटर प्रदान करते हैं जो एक निश्चित सीमा का उपयोग करता है। इसके अलावा, सीमा चयन के प्रभाव को पता लगाने योग्यता पर कम करने के लिए, हम एक कैलकुलेटर भी प्रदान करते हैं जो गतिशील सीमा चयन का समर्थन करता है। यह टूल उस सीमा का निर्धारण कर सकता है जो सर्वोत्तम एफ1 स्कोर प्रदान करता है या एक उपयोगकर्ता-निर्दिष्ट लक्ष्य झूठी सकारात्मक दर (एफपीआर) के आधार पर एक सीमा चुन सकता है।

लचीलापन के लिए, मार्कएलएलएम तीन शब्द-स्तर के पाठ टैम्परिंग हमले प्रदान करता है: एक निर्दिष्ट अनुपात पर यादृच्छिक शब्द हटाना, वर्डनेट का उपयोग करके यादृच्छिक पर्यायवाची प्रतिस्थापन, और बीईआरटी का उपयोग करके संदर्भ-जागरूक पर्यायवाची प्रतिस्थापन। इसके अलावा, यह दो दस्तावेज़-स्तर के पाठ टैम्परिंग हमले प्रदान करता है: ओपनएआई एपीआई या डिपर मॉडल के माध्यम से संदर्भ का पुनर्लेखन। पाठ गुणवत्ता के लिए, मार्कएलएलएम दो प्रत्यक्ष विश्लेषण टूल्स प्रदान करता है: एक भ्रमितता कैलकुलेटर जो तरलता को मापता है और एक विविधता कैलकुलेटर जो पाठ की परिवर्तनशीलता का मूल्यांकन करता है। वॉटरमार्किंग के पाठ उपयोगिता पर प्रभाव का विश्लेषण करने के लिए विशिष्ट डाउनस्ट्रीम कार्यों में, हम एक ब्लू कैलकुलेटर प्रदान करते हैं जो मशीन अनुवाद कार्यों के लिए है और एक पास-या-नॉट जज जो कोड जेनरेशन कार्यों के लिए है। इसके अलावा, वर्तमान विधियों के लिए जो वॉटरमार्क्ड और गैर-वॉटरमार्क्ड पाठ की गुणवत्ता की तुलना करने के लिए एक मजबूत एलएलएम का उपयोग करते हैं, मार्कएलएलएम एक जीपीटी डिस्क्रिमिनेटर प्रदान करता है जो जीपीटी-4 का उपयोग करके पाठ गुणवत्ता की तुलना करता है।

मूल्यांकन पाइपलाइनें

एलएलएम वॉटरमार्किंग एल्गोरिदम के स्वचालित मूल्यांकन को सुविधाजनक बनाने के लिए, मार्कएलएलएम दो मूल्यांकन पाइपलाइनें प्रदान करता है: एक वॉटरमार्क की पता लगाने योग्यता का मूल्यांकन करने के लिए और दूसरा पाठ गुणवत्ता पर इसके प्रभाव का विश्लेषण करने के लिए। इस प्रक्रिया का पालन करते हुए, हमने दो पाइपलाइनें लागू की हैं: वीएमडिटेक्ट3 और यूवीएमडिटेक्ट4। इनमें से प्राथमिक अंतर पाठ उत्पादन चरण में है। पूर्व को वॉटरमार्किंग एल्गोरिदम से जेनरेट_वॉटरमार्क्ड_टेक्स्ट विधि का उपयोग करने की आवश्यकता होती है, जबकि बाद वाला टेक्स्ट_सोर्स पैरामीटर पर निर्भर करता है ताकि यह निर्धारित किया जा सके कि क्या डेटासेट से सीधे प्राकृतिक पाठ प्राप्त किया जाना है या जेनरेट_अनवॉटरमार्क्ड_टेक्स्ट विधि को आमंत्रित किया जाना है।

पाठ गुणवत्ता का मूल्यांकन करने के लिए, वॉटरमार्क्ड और गैर-वॉटरमार्क्ड पाठ के जोड़े उत्पन्न किए जाते हैं। पाठ, साथ ही अन्य आवश्यक इनपुट, एक निर्दिष्ट पाठ गुणवत्ता विश्लेषक में प्रसंस्कृत और फीड किए जाते हैं ताकि विस्तृत विश्लेषण और तुलना परिणाम उत्पन्न किए जा सकें। इस प्रक्रिया का पालन करते हुए, हमने विभिन्न मूल्यांकन दृश्यों के लिए तीन पाइपलाइनें लागू की हैं:

1. डायरेक्टक्वाल.5: यह पाइपलाइन विशेष रूप से पाठ की गुणवत्ता का विश्लेषण करने के लिए डिज़ाइन की गई है जो वॉटरमार्क्ड पाठ की विशेषताओं की तुलना गैर-वॉटरमार्क्ड पाठ के साथ करती है, बिना किसी बाहरी संदर्भ पाठ की आवश्यकता के। यह मेट्रिक्स जैसे कि भ्रमितता (पीपीएल) और लॉग विविधता का मूल्यांकन करता है।
2. रेफक्वाल.6: यह पाइपलाइन पाठ गुणवत्ता का मूल्यांकन करती है जो वॉटरमार्क्ड और गैर-वॉटरमार्क्ड पाठ दोनों की तुलना एक सामान्य संदर्भ पाठ के साथ करती है। यह संदर्भ पाठ से समानता या विचलन की डिग्री को मापता है, जो विशिष्ट डाउनस्ट्रीम कार्यों के लिए उपयुक्त है जो पाठ गुणवत्ता का मूल्यांकन करने के लिए संदर्भ पाठ की आवश्यकता होती है, जैसे कि मशीन अनुवाद और कोड जेनरेशन।
3. एक्सडिस्क्वाल.7: यह पाइपलाइन एक बाहरी जज, जैसे कि जीपीटी-4 (ओपनएआई, 2023), का उपयोग करके वॉटरमार्क्ड और गैर-वॉटरमार्क्ड पाठ दोनों की गुणवत्ता का मूल्यांकन करती है। डिस्क्रिमिनेटर उपयोगकर्ता-प्रदत्त कार्य विवरण के आधार पर पाठ का मूल्यांकन करता है, जो वॉटरमार्किंग के कारण गुणवत्ता में किसी भी हानि या संरक्षण की पहचान करता है। यह विधि विशेष रूप से तब मूल्यांकित होती है जब वॉटरमार्किंग के सूक्ष्म प्रभावों का एक उन्नत, एआई-आधारित विश्लेषण आवश्यक होता है।

मार्कएलएलएम: प्रयोग और परिणाम

अपने प्रदर्शन का मूल्यांकन करने के लिए, मार्कएलएलएम फ्रेमवर्क नौ अलग-अलग एल्गोरिदम पर मूल्यांकन करता है और उनके प्रभाव, लचीलापन और पता लगाने योग्यता का मूल्यांकन करता है।

उपरोक्त तालिका मार्कएलएलएम में समर्थित नौ एल्गोरिदम के पता लगाने योग्यता के मूल्यांकन परिणामों को शामिल करती है। गतिशील सीमा समायोजन का उपयोग वॉटरमार्क की पता लगाने योग्यता का मूल्यांकन करने के लिए किया जाता है, जिसमें तीन सेटिंग्स प्रदान की जाती हैं: 10% लक्ष्य झूठी सकारात्मक दर (एफपीआर) के तहत, 1% लक्ष्य एफपीआर के तहत, और ऑप्टिमल एफ1 स्कोर प्रदर्शन के लिए। 200 वॉटरमार्क्ड पाठ उत्पन्न किए जाते हैं, जबकि 200 गैर-वॉटरमार्क्ड पाठ नकारात्मक उदाहरण के रूप में कार्य करते हैं। हम 10% और 1% एफपीआर के लिए गतिशील सीमा समायोजन के तहत टीपीआर और एफ1-स्कोर प्रदान करते हैं, साथ ही ऑप्टिमल प्रदर्शन पर टीपीआर, टीएनआर, एफपीआर, एफएनआर, पी, आर, एफ1, एसी सी प्रदान करते हैं। निम्नलिखित तालिका मार्कएलएलएम में समर्थित नौ एल्गोरिदम के लचीलापन के मूल्यांकन परिणामों को शामिल करती है। प्रत्येक हमले के लिए, 200 वॉटरमार्क्ड पाठ उत्पन्न किए जाते हैं और बाद में टैम्पर किए जाते हैं, साथ ही 200 गैर-वॉटरमार्क्ड पाठ नकारात्मक उदाहरण के रूप में कार्य करते हैं। हम प्रत्येक परिस्थिति में ऑप्टिमल प्रदर्शन पर टीपीआर और एफ1-स्कोर रिपोर्ट करते हैं।

अंतिम विचार

इस लेख में, हमने मार्कएलएलएम के बारे में चर्चा की है, जो एक ओपन-सोर्स टूलकिट है जो वॉटरमार्किंग के लिए एक विस्तारित और एकीकृत फ्रेमवर्क प्रदान करता है, जबकि उपयोगकर्ता-मित्र इंटरफेस प्रदान करता है ताकि उपयोग में आसानी और पहुंच सुनिश्चित की जा सके। इसके अलावा, मार्कएलएलएम फ्रेमवर्क इन फ्रेमवर्क की तंत्र के स्वचालित दृश्यीकरण का समर्थन करता है, जिससे इन मॉडलों की समझ में सुधार होता है। मार्कएलएलएम फ्रेमवर्क तीन दृष्टिकोणों को कवर करने वाले 12 टूल्स का एक व्यापक सूट प्रदान करता है, साथ ही अपने प्रदर्शन का मूल्यांकन करने के लिए दो स्वचालित मूल्यांकन पाइपलाइनें प्रदान करता है।