論文の概要: Detecting AI Assistance in Abstract Complex Tasks

• arxiv url: http://arxiv.org/abs/2507.10761v1
• Date: Mon, 14 Jul 2025 19:37:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-16 19:46:02.86367
• Title: Detecting AI Assistance in Abstract Complex Tasks
• Title（参考訳）: 抽象複雑タスクにおけるAIアシストの検出
• Authors: Tyler King, Nikolos Gurney, John H. Miller, Volkan Ustun,
• Abstract要約: アシスタント検出は、特に抽象的なタスクデータを見る場合、人間にとって困難である。 我々は,そのようなデータを適切に前処理した場合に,共通モデルが効果的に分類できることを示す。 3つの古典的なディープラーニングアーキテクチャにおける画像定式化の質をベンチマークする。
• 参考スコア（独自算出の注目度）: 2.249916681499244
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting assistance from artificial intelligence is increasingly important as they become ubiquitous across complex tasks such as text generation, medical diagnosis, and autonomous driving. Aid detection is challenging for humans, especially when looking at abstract task data. Artificial neural networks excel at classification thanks to their ability to quickly learn from and process large amounts of data -- assuming appropriate preprocessing. We posit detecting help from AI as a classification task for such models. Much of the research in this space examines the classification of complex but concrete data classes, such as images. Many AI assistance detection scenarios, however, result in data that is not machine learning-friendly. We demonstrate that common models can effectively classify such data when it is appropriately preprocessed. To do so, we construct four distinct neural network-friendly image formulations along with an additional time-series formulation that explicitly encodes the exploration/exploitation of users, which allows for generalizability to other abstract tasks. We benchmark the quality of each image formulation across three classical deep learning architectures, along with a parallel CNN-RNN architecture that leverages the additional time series to maximize testing performance, showcasing the importance of encoding temporal and spatial quantities for detecting AI aid in abstract tasks.
• Abstract（参考訳）: テキスト生成、医療診断、自動運転といった複雑なタスクにまたがってユビキタスになるにつれて、人工知能からの援助を検出することがますます重要になっている。 アシスタント検出は、特に抽象的なタスクデータを見る場合、人間にとって困難である。 人工知能ニューラルネットワークは、適切な事前処理を仮定して、大量のデータから素早く学習し、処理する能力のおかげで、分類において優れています。 我々は、そのようなモデルの分類タスクとして、AIからの助けを検出する。 この領域における研究の多くは、画像のような複雑なが具体的なデータクラスの分類を調査している。 しかし、多くのAIアシスト検出シナリオは、機械学習にフレンドリでないデータをもたらす。 我々は、そのようなデータが適切に前処理されたときに、共通モデルが効果的に分類できることを実証する。 そこで我々は,ユーザの探索・探索を明示的に符号化し,他の抽象的なタスクに一般化可能な,4つの異なるニューラルネットワークフレンドリな画像定式化と追加の時系列定式化を構築した。 並列CNN-RNNアーキテクチャと並列CNN-RNNアーキテクチャを併用して、3つの古典的なディープラーニングアーキテクチャにおける画像定式化の質をベンチマークし、テスト性能を最大化し、抽象タスクにおけるAI支援を検出するための時間的および空間的量のエンコーディングの重要性を示す。

関連論文リスト

• Local-to-Global Self-Supervised Representation Learning for Diabetic Retinopathy Grading [0.0]
  本研究では,自己指導型学習と知識蒸留を用いた新しいハイブリッド学習モデルを提案する。 我々のアルゴリズムでは、自己教師型学習および知識蒸留モデルの中で初めて、テストデータセットがトレーニングデータセットよりも50%大きい。 類似の最先端モデルと比較すると,より高精度で効率的な表現空間が得られた。
  論文  参考訳（メタデータ） (2024-10-01T15:19:16Z)
• A Multitask Deep Learning Model for Classification and Regression of Hyperspectral Images: Application to the large-scale dataset [44.94304541427113]
  ハイパースペクトル画像上で複数の分類タスクと回帰タスクを同時に行うマルチタスク深層学習モデルを提案する。 我々は、TAIGAと呼ばれる大規模なハイパースペクトルデータセットに対するアプローチを検証した。 結果の総合的定性的および定量的分析により,提案手法が他の最先端手法よりも有意に優れていることを示す。
  論文  参考訳（メタデータ） (2024-07-23T11:14:54Z)
• A Sanity Check for AI-generated Image Detection [49.08585395873425]
  我々はAI生成画像を検出するAI生成画像検出装置(AI生成画像検出装置)を提案する。 AIDEは最先端の手法を+3.5%、+4.6%改善した。
  論文  参考訳（メタデータ） (2024-06-27T17:59:49Z)
• EndToEndML: An Open-Source End-to-End Pipeline for Machine Learning Applications [0.2826977330147589]
  機械学習モデルの事前処理、トレーニング、評価、可視化が可能なWebベースのエンドツーエンドパイプラインを提案する。 本ライブラリは,マルチモーダル・マルチセンサ・データセットの認識,分類,クラスタリング,および予測を支援する。
  論文  参考訳（メタデータ） (2024-03-27T02:24:38Z)
• Homological Convolutional Neural Networks [4.615338063719135]
  本稿では,トポロジ的に制約されたネットワーク表現を通じて,データ構造構造を利用した新しいディープラーニングアーキテクチャを提案する。 5つの古典的な機械学習モデルと3つのディープラーニングモデルに対して、18のベンチマークデータセットでモデルをテストします。
  論文  参考訳（メタデータ） (2023-08-26T08:48:51Z)
• A Survey of Learning on Small Data: Generalization, Optimization, and Challenge [101.27154181792567]
  ビッグデータの一般化能力を近似した小さなデータについて学ぶことは、AIの究極の目的の1つである。 この調査はPACフレームワークの下でのアクティブサンプリング理論に従い、小さなデータにおける学習の一般化誤差とラベルの複雑さを分析した。 効率的な小さなデータ表現の恩恵を受けるかもしれない複数のデータアプリケーションについて調査する。
  論文  参考訳（メタデータ） (2022-07-29T02:34:19Z)
• Backbones-Review: Feature Extraction Networks for Deep Learning and Deep Reinforcement Learning Approaches [3.255610188565679]
  CNNは、大規模なデータサイズに取り組むだけでなく、特定のタスクのさまざまなシナリオをカバーすることができる。 多くのネットワークが提案され、あらゆるAIタスクでDLモデルに使用される有名なネットワークとなっている。 バックボーンは、他の多くのタスクでトレーニングされた既知のネットワークであり、その効果を実証する。
  論文  参考訳（メタデータ） (2022-06-16T09:18:34Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
  自律運転システムには2つの主要なアルゴリズムアプローチがある。 ディープラーニングだけでは、多くの分野で最先端の結果が得られています。 しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
  論文  参考訳（メタデータ） (2022-03-28T20:29:50Z)
• REGRAD: A Large-Scale Relational Grasp Dataset for Safe and Object-Specific Robotic Grasping in Clutter [52.117388513480435]
  本稿では,オブジェクト間の関係のモデル化を継続するregradという新しいデータセットを提案する。 データセットは2D画像と3Dポイントクラウドの両方で収集されます。 ユーザは、好きなだけ多くのデータを生成するために、自由に独自のオブジェクトモデルをインポートできる。
  論文  参考訳（メタデータ） (2021-04-29T05:31:21Z)
• When is Memorization of Irrelevant Training Data Necessary for High-Accuracy Learning? [53.523017945443115]
  我々は,十分な精度のトレーニングアルゴリズムが,予測モデルにおいて,そのトレーニング例の大規模サブセットに関する情報を本質的にすべてエンコードしなければならない自然予測問題を記述する。 私たちの結果は、トレーニングアルゴリズムや学習に使用されるモデルのクラスに依存しません。
  論文  参考訳（メタデータ） (2020-12-11T15:25:14Z)
• Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
  ビデオにおける異常検出は、コンピュータビジョンの問題である。 本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
  論文  参考訳（メタデータ） (2020-11-15T10:21:28Z)
• Generalized Iris Presentation Attack Detection Algorithm under Cross-Database Settings [63.90855798947425]
  プレゼンテーションアタックは、バイオメトリックなモダリティの大部分に大きな課題をもたらす。 本稿では,汎用的な深層学習に基づくプレゼンテーション攻撃検出ネットワークであるMVANetを提案する。 これはハイブリッドアルゴリズムの単純さと成功、あるいは複数の検出ネットワークの融合にインスパイアされている。
  論文  参考訳（メタデータ） (2020-10-25T22:42:27Z)

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。