Optimizing Watermark Detection Performance in LLM-Generated Content via Entropy-Aware Dynamic Polarity Partitioning

대규모 언어 모델(LLM)의 확산에 따라 생성 텍스트의 출처를 판별하는 워터마킹 기술의 중요성이 대두되고 있다. 본 연구는 고정된 분할 비율을 사용하는 기존 BiMarker 방식의 탐지 성능 한계를 개선하기 위해, 통계 기반 극성 분할 비율 설정을 통해 최적 비율을 선택하는 동적 극 분할(DPP) 기법을 제안한다. 제안 기법은 OPT-1.3B 및 StarCoder 모델, C4 및 HumanEval·MBPP 데이터셋을 기반으로 탐지 성능, 삽입 일관성, 토큰 분포 다양성 측면에서 실험을 수행하였다. 특히 DPP 설정 7(γ = 0.65 / 0.50 / 0.35)은 모든 환경에서 우수한 성능을 나타냈으며, 단어 순서 변경 및 동의어 치환 공격에 대해서도 25% 이내의 성능 저하로 높은 내성을 보였다. 본 연구는 DPP의 실용성과 강건성을 실험적으로 입증하였으며, LLM 기반 텍스트의 신뢰성 확보를 위한 효과적인 대안을 제시한다.