제로 비트 신경 오디오 워터마킹의 하위 호환성

신경 워터마킹 시스템은 일반적으로 긴밀하게 결합된 임베더-디텍터 쌍으로 훈련되며, 정적인 배포를 암묵적으로 가정합니다. 실제 환경에서 임베더와 디텍터는 보안 및 버전 관리 목적으로 자주 업데이트되고 선택적으로 분리되는데, 이는 이전에 임베딩된 콘텐츠의 탐지를 깨뜨릴 수 있고, 더 중요하게는 주어진 디텍터가 의도적으로 인식하지 않도록 설계된 임베더에서 위양성률(false-positive rates)을 증가시킬 수 있습니다. 본 논문에서는 제로 비트 오디오 워터마킹에서의 하위 호환성 개념을 공식화합니다. 새로운 디텍터를 고정된 레거시 임베더 시퀀스(legacy chain)와 쌍으로 묶는 훈련 프레임워크를 제안하며, 성능 가중 샘플링 전략을 사용하여 디텍터가 모든 이전 버전에서 정확도를 유지하도록 합니다. 이러한 결합은 하위 호환성에 필수적이지만, 아웃-오브-체인(out-of-chain) 임베더에 대한 참 음성률(true negative rate, TNR)을 치명적으로 저하시키는 임베더 붕괴 효과(embedder-collapse effect)를 유발하는 것으로 나타났습니다. 이에 대응하기 위해, 각 새로운 임베더가 출력 공간의 고유한 영역을 차지하도록 명시적으로 강제하는 각도 다양성 손실(Angular Diversity Loss, ADL)이 도입되었습니다. 이 결합된 접근 방식은 탐지 정확도나 지각 오디오 품질에 측정 가능한 비용 없이 거의 완벽한 TNR을 복원합니다.