LLM이 생성한 코드에 워터마크를 삽입하여 식별하는 것은 기능적 정확성을 유지하는 데 어려움이 있다. 기존 방법은 높은 엔트로피 토큰에 워터마크를 삽입하면 출력 품질이 효과적으로 유지된다고 가정하지만, 구문적 중요 토큰(예: 키워드)이 종종 가장 높은 엔트로피를 나타내 기존 방법이 논리적 손상에 취약하다는 문제점이 있다. 본 논문에서는 비구문적 토큰에만 워터마크를 삽입하여 코드 무결성을 보존하는 구문 인식 워터마킹 방법인 STONE을 제시한다. 또한, 정확성, 탐지 가능성, 비인지성을 균형 있게 고려하는 포괄적인 프레임워크인 STEM을 소개한다. Python, C++, Java에 대해 STONE은 정확성을 유지하고, 강력한 탐지 가능성을 유지하며, 최소한의 오버헤드로 균형 잡힌 성능을 달성한다.
