論文の概要: DART: An AIGT Detector using AMR of Rephrased Text

• arxiv url: http://arxiv.org/abs/2412.11517v1
• Date: Mon, 16 Dec 2024 07:51:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:01:37.954786
• Title: DART: An AIGT Detector using AMR of Rephrased Text
• Title（参考訳）: DART:リフレッシュテキストのAMRを用いたAIGT検出器
• Authors: Hyeonchu Park, Byungjun Kim, Bugeun Kim,
• Abstract要約: DARTは、リフレクション、セマンティックパーシング、スコアリング、マルチクラス分類の4つのステップから構成される。 実験結果から,DARTは統語的特徴を用いることなく,AIGTの起源を知ることなく複数のブラックボックスLDMを識別できることが示唆された。
• 参考スコア（独自算出の注目度）: 3.8028747063484594
• License:
• Abstract: As large language models (LLMs) generate more human-like texts, concerns about the side effects of AI-generated texts (AIGT) have grown. So, researchers have developed methods for detecting AIGT. However, two challenges remain. First, the performance on detecting black-box LLMs is low, because existing models have focused on syntactic features. Second, most AIGT detectors have been tested on a single-candidate setting, which assumes that we know the origin of an AIGT and may deviate from the real-world scenario. To resolve these challenges, we propose DART, which consists of four steps: rephrasing, semantic parsing, scoring, and multiclass classification. We conducted several experiments to test the performance of DART by following previous work. The experimental result shows that DART can discriminate multiple black-box LLMs without using syntactic features and knowing the origin of AIGT.
• Abstract（参考訳）: 大規模言語モデル(LLM)がより人間的なテキストを生成するにつれ、AIGT(AI- generated texts)の副作用に対する懸念が高まっている。 そこで、AIGTを検出する方法を開発した。 しかし、2つの課題が残る。 まず、既存のモデルでは構文的特徴に重点を置いているため、ブラックボックスLSMの検出性能は低い。 第二に、ほとんどのAIGT検出器は単一候補でテストされており、AIGTの起源が分かっており、現実のシナリオから逸脱する可能性があると仮定している。 そこで我々は,これらの課題を解決するために,リフレッシング,セマンティック解析,スコアリング,マルチクラス分類という4つのステップからなるDARTを提案する。 本研究は,DARTの性能試験に先立ついくつかの実験を行った。 実験結果から,DARTは統語的特徴を用いることなく,AIGTの起源を知ることなく複数のブラックボックスLDMを識別できることが示唆された。

関連論文リスト

• Effective and Efficient Adversarial Detection for Vision-Language Models via A Single Vector [97.92369017531038]
  Diverse hArmful Responses (RADAR) を用いた新しい laRge-scale Adervsarial 画像データセットを構築した。 そこで我々は,視覚言語モデル (VLM) の隠れ状態から抽出した1つのベクトルを利用して,入力中の良質な画像に対して対向画像を検出する,新しいiN時間埋め込み型AdveRSarial Image Detectction (NEARSIDE) 法を開発した。
  論文  参考訳（メタデータ） (2024-10-30T10:33:10Z)
• Investigating the Influence of Prompt-Specific Shortcuts in AI Generated Text Detection [23.794925542322098]
  我々はAIGT検出におけるプロンプト特異的ショートカットの影響を分析する。 フィードバックに基づく逆命令リスト最適化(FAILOpt)を提案する。 FAILOptは、敵対的なインコンテキストの例に基づく他の攻撃に匹敵するターゲット検出器の検出性能を効果的に低下させる。
  論文  参考訳（メタデータ） (2024-06-24T02:50:09Z)
• RFBES at SemEval-2024 Task 8: Investigating Syntactic and Semantic Features for Distinguishing AI-Generated and Human-Written Texts [0.8437187555622164]
  本稿では、意味論と構文という2つの異なる側面からAIが生成するテキスト検出の問題について考察する。 マルチリンガルタスクとモノリンガルタスクの両方において,AI生成テキストと人書きテキストを高い精度で区別できるAIモデルを提案する。
  論文  参考訳（メタデータ） (2024-02-19T00:40:17Z)
• Raidar: geneRative AI Detection viA Rewriting [42.477151044325595]
  大規模な言語モデル(LLM)は、書き直しのタスクを行う場合、AI生成テキストよりも人間の書き起こしテキストを変更する傾向にある。 テキストの書き直しを LLM に促し,出力の編集距離を計算することで,AI 生成コンテンツを検出する手法を提案する。 この結果から,機械自体のレンズを通した機械生成テキストのユニークなインプリントが明らかになった。
  論文  参考訳（メタデータ） (2024-01-23T18:57:53Z)
• SeqXGPT: Sentence-Level AI-Generated Text Detection [62.3792779440284]
  大規模言語モデル(LLM)を用いた文書の合成による文レベル検出の課題について紹介する。 次に,文レベルのAIGT検出機能として,ホワイトボックスLEMのログ確率リストを利用した textbfSequence textbfX (Check) textbfGPT を提案する。
  論文  参考訳（メタデータ） (2023-10-13T07:18:53Z)
• RADAR: Robust AI-Text Detection via Adversarial Learning [69.5883095262619]
  RADARはパラフラザーと検出器の対向訓練に基づいている。 パラフレーズの目標は、AIテキスト検出を避けるために現実的なコンテンツを生成することである。 RADARは検出器からのフィードバックを使ってパラフラザーを更新する。
  論文  参考訳（メタデータ） (2023-07-07T21:13:27Z)
• On the Possibilities of AI-Generated Text Detection [76.55825911221434]
  機械が生成するテキストが人間に近い品質を近似するにつれて、検出に必要なサンプルサイズが増大すると主張している。 GPT-2, GPT-3.5-Turbo, Llama, Llama-2-13B-Chat-HF, Llama-2-70B-Chat-HFなどの最先端テキストジェネレータをoBERTa-Large/Base-Detector, GPTZeroなどの検出器に対して試験した。
  論文  参考訳（メタデータ） (2023-04-10T17:47:39Z)
• MGTBench: Benchmarking Machine-Generated Text Detection [54.81446366272403]
  本稿では,強力な大規模言語モデル(LLM)に対するMGT検出のための最初のベンチマークフレームワークを提案する。 一般に単語が多ければ多いほど性能が向上し,ほとんどの検出手法はトレーニングサンプルをはるかに少なくして同様の性能が得られることを示す。 本研究は, テキスト属性タスクにおいて, モデルに基づく検出手法が依然として有効であることを示す。
  論文  参考訳（メタデータ） (2023-03-26T21:12:36Z)
• IM-IAD: Industrial Image Anomaly Detection Benchmark in Manufacturing [88.35145788575348]
  画像異常検出(英: Image Anomaly Detection、IAD)は、産業用コンピュータビジョンの課題である。 統一IMベンチマークの欠如は、現実世界のアプリケーションにおけるIADメソッドの開発と利用を妨げる。 7つの主要なデータセットに19のアルゴリズムを含む包括的画像異常検出ベンチマーク(IM-IAD)を構築した。
  論文  参考訳（メタデータ） (2023-01-31T01:24:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。