論文の概要: Real, Fake, or Manipulated? Detecting Machine-Influenced Text

• arxiv url: http://arxiv.org/abs/2509.15350v1
• Date: Thu, 18 Sep 2025 18:41:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-22 18:18:10.871239
• Title: Real, Fake, or Manipulated? Detecting Machine-Influenced Text
• Title（参考訳）: リアル、フェイク、または操作? 機械による影響のあるテキストの検出
• Authors: Yitong Wang, Zhongping Zhang, Margherita Piana, Zheng Zhou, Peter Gerstoft, Bryan A. Plummer,
• Abstract要約: 我々はHiErarchical, length-RObust machine-influenced text detector (HERO)を紹介する。 HEROは、人書き、機械生成、機械処理、機械翻訳の4つの主要なタイプから、さまざまな長さのテキストサンプルを分離することを学ぶ。
• 参考スコア（独自算出の注目度）: 56.32138057356434
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Large Language Model (LLMs) can be used to write or modify documents, presenting a challenge for understanding the intent behind their use. For example, benign uses may involve using LLM on a human-written document to improve its grammar or to translate it into another language. However, a document entirely produced by a LLM may be more likely to be used to spread misinformation than simple translation (\eg, from use by malicious actors or simply by hallucinating). Prior works in Machine Generated Text (MGT) detection mostly focus on simply identifying whether a document was human or machine written, ignoring these fine-grained uses. In this paper, we introduce a HiErarchical, length-RObust machine-influenced text detector (HERO), which learns to separate text samples of varying lengths from four primary types: human-written, machine-generated, machine-polished, and machine-translated. HERO accomplishes this by combining predictions from length-specialist models that have been trained with Subcategory Guidance. Specifically, for categories that are easily confused (\eg, different source languages), our Subcategory Guidance module encourages separation of the fine-grained categories, boosting performance. Extensive experiments across five LLMs and six domains demonstrate the benefits of our HERO, outperforming the state-of-the-art by 2.5-3 mAP on average.
• Abstract（参考訳）: 大規模言語モデル(LLM)は文書の作成や修正に使用することができ、その使用の背後にある意図を理解する上での課題である。 例えば、良性の使用には、人間の記述した文書にLLMを使用して文法を改善したり、別の言語に翻訳することがある。 しかし、LLMによって完全に作成された文書は、単純な翻訳よりも誤情報を広めるために使われる可能性が高い(悪質な俳優による使用から、あるいは単に幻覚によって)。 それまでのMGT(Machine Generated Text)検出では、ドキュメントが人間か機械かの判定に重点を置いていた。 本稿では,HyErarchical, length-RObust machine-influenced text detector (HERO)を紹介する。 HEROは、サブカテゴリ誘導を用いて訓練された長さ特殊主義モデルの予測を組み合わせることで、これを達成している。 具体的には、容易に混同されるカテゴリ(例えば、異なるソース言語)に対して、サブカテゴリガイダンスモジュールは、きめ細かいカテゴリの分離を促進し、パフォーマンスを向上します。 5つのLLMと6つのドメインにわたる大規模な実験は、HEROの利点を実証し、平均2.5-3mAPの最先端を上回りました。

関連論文リスト

• LLM-DetectAIve: a Tool for Fine-Grained Machine-Generated Text Detection [87.43727192273772]
  テキストが人間の書いたものなのか、機械で作られたものなのかを判断するのは、しばしば困難である。 細粒度検出のためのLLM-DetectAIveを提案する。 i) 人書き、ii) 機械生成、(iii) 機械書、次いで機械書、(iv) 人書き、そして機械ポリッシュの4つのカテゴリをサポートする。
  論文  参考訳（メタデータ） (2024-08-08T07:43:17Z)
• LexMatcher: Dictionary-centric Data Collection for LLM-based Machine Translation [67.24113079928668]
  本稿では、バイリンガル辞書に見られる感覚のカバレッジによって駆動されるデータキュレーション手法であるLexMatcherを提案する。 我々の手法は、WMT2022テストセットの確立されたベースラインよりも優れています。
  論文  参考訳（メタデータ） (2024-06-03T15:30:36Z)
• Machine-Generated Text Localization [16.137882615106523]
  これまでの作業では、主にMGT検出を文書全体に対するバイナリ分類タスクとして定式化してきた。 本稿では,機械が生成した文書の一部をローカライズするMGTの詳細な研究について述べる。 事前の作業よりも平均精度(mAP)が4-13%向上したことは、5つの多様なデータセットに対するアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2024-02-19T00:07:28Z)
• M4: Multi-generator, Multi-domain, and Multi-lingual Black-Box Machine-Generated Text Detection [69.29017069438228]
  大規模言語モデル(LLM)は,多様なユーザクエリに対して,流動的な応答を生成する優れた能力を示している。 これはまた、ジャーナリズム、教育、アカデミアにおけるそのようなテキストの誤用の可能性への懸念も提起している。 本研究では,機械が生成したテキストを検知し,潜在的誤用を特定できる自動システムの構築を試みている。
  論文  参考訳（メタデータ） (2023-05-24T08:55:11Z)

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。