SWAN：基于抽象语义表示的语义水印

基于摘要分析。该研究针对生成文本水印在释义改写后难以保持可检测性的问题，提出 SWAN（Semantic Watermarking with Abstract Meaning Representation），将水印签名嵌入句子的抽象语义表示（AMR）结构，而非主要通过调整生成时的 token 选择偏好编码水印。 机制上，SWAN 无需训练，通过提示 LLM 按选定的 AMR 模板生成句子，同时维持上下文连贯性；检测端使用现成的 AMR 解析器，再进行单样本比例 z 检验。其核心思路是让水印依附于语义结构，使保留相应语义结构的改写仍能携带签名。摘要进一步声称，保持语义的释义会自动保留水印；这一主张在实际释义、AMR 解析误差及不同表达方式下的适用范围，仍需正文证据核对。 作者报告，在 RealNews benchmark 上，SWAN 对未经改写的含水印文本取得与现有最优方法相当的检测表现；在释义攻击条件下，相较此前方法，检测 AUC 最多提高 13.9 个百分点。摘要未给出该最大增益对应的具体对照方法、释义方式、数据划分及绝对 AUC，因此不能将其理解为所有攻击条件下的普遍提升。 复现需核对 AMR 模板及其选择规则、生成提示、LLM 与解析器配置、检测统计量和阈值，以及文本质量与水印鲁棒性的权衡。实验协议、消融及统计信息尚未验证。本文主要研究对象是文本来源验证，材料未提供其与 EEG 信号表征或 BCI 解码之间的具体机制对应，不据此提出跨领域迁移效果或复现实验建议。