Buchumschlag

Linear Ensembles Wash Away Watermarks: On the Fragility of Distributional Perturbations in LLMs

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Wu, Zhihao, Gong, Gracia, Zhu, Qinglin, Chen, Yudong, Zhao, Runcong
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Computation and Language
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Soft Reasoning: Navigating Solution Spaces in Large Language Models through Controlled Embedding Exploration
von: Zhu, Qinglin, et al.
Veröffentlicht: (2025)

Detecting Contextual Hallucinations in LLMs with Frequency-Aware Attention
von: Qi, Siya, et al.
Veröffentlicht: (2026)

PLAYER*: Enhancing LLM-based Multi-Agent Communication and Interaction in Murder Mystery Games
von: Zhu, Qinglin, et al.
Veröffentlicht: (2024)

SymbolicThought: Integrating Language Models and Symbolic Reasoning for Consistent and Interpretable Human Relationship Understanding
von: Zhao, Runcong, et al.
Veröffentlicht: (2025)

One Token Away from Collapse: The Fragility of Instruction-Tuned Helpfulness
von: Potraghloo, Erfan Baghaei, et al.
Veröffentlicht: (2026)

Beyond RAG for Agent Memory: Retrieval by Decoupling and Aggregation
von: Hu, Zhanghao, et al.
Veröffentlicht: (2026)

Large Language Models Fall Short: Understanding Complex Relationships in Detective Narratives
von: Zhao, Runcong, et al.
Veröffentlicht: (2024)

Are NLP Models Good at Tracing Thoughts: An Overview of Narrative Understanding
von: Zhu, Lixing, et al.
Veröffentlicht: (2023)

Large Scale Knowledge Washing
von: Wang, Yu, et al.
Veröffentlicht: (2024)

Sparse Activation Editing for Reliable Instruction Following in Narratives
von: Zhao, Runcong, et al.
Veröffentlicht: (2025)

Latent Refinement Decoding: Enhancing Diffusion-Based Language Models by Refining Belief States
von: Zhu, Qinglin, et al.
Veröffentlicht: (2025)

More Haste, Less Speed: Weaker Single-Layer Watermark Improves Distortion-Free Watermark Ensembles
von: Chen, Ruibo, et al.
Veröffentlicht: (2026)

Ensemble Watermarks for Large Language Models
von: Niess, Georg, et al.
Veröffentlicht: (2024)

Pull Requests as a Training Signal for Repo-Level Code Editing
von: Zhu, Qinglin, et al.
Veröffentlicht: (2026)

OpenToM: A Comprehensive Benchmark for Evaluating Theory-of-Mind Reasoning Capabilities of Large Language Models
von: Xu, Hainiu, et al.
Veröffentlicht: (2024)

Uncovering the Fragility of Trustworthy LLMs through Chinese Textual Ambiguity
von: Wu, Xinwei, et al.
Veröffentlicht: (2025)

Few-shot LLM Synthetic Data with Distribution Matching
von: Ren, Jiyuan, et al.
Veröffentlicht: (2025)

Fragile Reasoning: A Mechanistic Analysis of LLM Sensitivity to Meaning-Preserving Perturbations
von: Han, Shou-Tzu, et al.
Veröffentlicht: (2026)

Minimal Prompt Perturbations Lead to Code Vulnerabilities: Prompt Fragility and Hidden-State Signals in Coding LLMs
von: Sternfeld, Alexander, et al.
Veröffentlicht: (2026)

QuantileMark: A Message-Symmetric Multi-bit Watermark for LLMs
von: Zhu, Junlin, et al.
Veröffentlicht: (2026)

AERA Chat: An Interactive Platform for Automated Explainable Student Answer Assessment
von: Li, Jiazheng, et al.
Veröffentlicht: (2024)

Perturb Your Data: Paraphrase-Guided Training Data Watermarking
von: Shetty, Pranav, et al.
Veröffentlicht: (2025)

Towards Codable Watermarking for Injecting Multi-bits Information to LLMs
von: Wang, Lean, et al.
Veröffentlicht: (2023)

Dataset Protection via Watermarked Canaries in Retrieval-Augmented LLMs
von: Liu, Yepeng, et al.
Veröffentlicht: (2025)

Understanding the Ability of LLMs to Handle Character-Level Perturbation
von: Zhuo, Anyuan, et al.
Veröffentlicht: (2025)

LearnLens: LLM-Enabled Personalised, Curriculum-Grounded Feedback with Educators in the Loop
von: Zhao, Runcong, et al.
Veröffentlicht: (2025)

How Robust Are Router-LLMs? Analysis of the Fragility of LLM Routing Capabilities
von: Kassem, Aly M., et al.
Veröffentlicht: (2025)

Fragile Thoughts: How Large Language Models Handle Chain-of-Thought Perturbations
von: Aravindan, Ashwath Vaithinathan, et al.
Veröffentlicht: (2026)

Don't Throw Away Your Pretrained Model
von: Feng, Shangbin, et al.
Veröffentlicht: (2025)

Positional Fragility in LLMs: How Offset Effects Reshape Our Understanding of Memorization Risks
von: Xu, Yixuan, et al.
Veröffentlicht: (2025)

Watermarking LLM Agent Trajectories
von: Meng, Wenlong, et al.
Veröffentlicht: (2026)

SoK: Are Watermarks in LLMs Ready for Deployment?
von: Dang, Kieu, et al.
Veröffentlicht: (2025)

Improved Unbiased Watermark for Large Language Models
von: Chen, Ruibo, et al.
Veröffentlicht: (2025)

A Watermark for Order-Agnostic Language Models
von: Chen, Ruibo, et al.
Veröffentlicht: (2024)

Don't Throw Away Your Beams: Improving Consistency-based Uncertainties in LLMs via Beam Search
von: Fadeeva, Ekaterina, et al.
Veröffentlicht: (2025)

Lost in Overlap: Exploring Logit-based Watermark Collision in LLMs
von: Luo, Yiyang, et al.
Veröffentlicht: (2024)

De-mark: Watermark Removal in Large Language Models
von: Chen, Ruibo, et al.
Veröffentlicht: (2024)

Towards Understanding the Fragility of Multilingual LLMs against Fine-Tuning Attacks
von: Poppi, Samuele, et al.
Veröffentlicht: (2024)

Less is More: Sparse Watermarking in LLMs with Enhanced Text Quality
von: Hoang, Duy C., et al.
Veröffentlicht: (2024)

Don't Throw Away Data: Better Sequence Knowledge Distillation
von: Wang, Jun, et al.
Veröffentlicht: (2024)