論文の概要: C-ReD: A Comprehensive Chinese Benchmark for AI-Generated Text Detection Derived from Real-World Prompts
- arxiv url: http://arxiv.org/abs/2604.11796v1
- Date: Mon, 13 Apr 2026 17:56:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.741566
- Title: C-ReD: A Comprehensive Chinese Benchmark for AI-Generated Text Detection Derived from Real-World Prompts
- Title（参考訳）: C-ReD: 現実世界のプロンプトから得られたAI生成テキスト検出のための総合的な中国語ベンチマーク
- Abstract要約: 提案するC-ReDは,中国語のリアルタイムAI生成検出ベンチマークである。
C-ReDは、信頼できるドメイン内検出を可能にするだけでなく、LLMや外部の中国語データセットに対する強力な一般化もサポートする。
- 参考スコア（独自算出の注目度）: 46.10349329811523
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, large language models (LLMs) are capable of generating highly fluent textual content. While they offer significant convenience to humans, they also introduce various risks, like phishing and academic dishonesty. Numerous research efforts have been dedicated to developing algorithms for detecting AI-generated text and constructing relevant datasets. However, in the domain of Chinese corpora, challenges remain, including limited model diversity and data homogeneity. To address these issues, we propose C-ReD: a comprehensive Chinese Real-prompt AI-generated Detection benchmark. Experiments demonstrate that C-ReD not only enables reliable in-domain detection but also supports strong generalization to unseen LLMs and external Chinese datasets-addressing critical gaps in model diversity, domain coverage, and prompt realism that have limited prior Chinese detection benchmarks. We release our resources at https://github.com/HeraldofLight/C-ReD.
- Abstract（参考訳）: 近年,大規模言語モデル (LLM) は,高度に流動的なテキストコンテンツを生成することができる。
人間の利便性は高いが、フィッシングや学業上の不正など、さまざまなリスクも伴う。
AI生成したテキストを検出し、関連するデータセットを構築するアルゴリズムの開発に多くの研究努力が費やされている。
しかし、中国のコーパスの領域では、限られたモデルの多様性やデータの均一性を含む課題が残っている。
これらの問題に対処するため、我々はC-ReDを提案する。
実験では、C-ReDは信頼性の高いドメイン内検出を可能にするだけでなく、LLMや外部の中国データセットに対する強力な一般化もサポートしている。
私たちはリソースをhttps://github.com/HeraldofLight/C-ReDでリリースします。
関連論文リスト
- Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。
複数のベンチマークで最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2026-04-21T07:29:55Z) - EnsemJudge: Enhancing Reliability in Chinese LLM-Generated Text Detection through Diverse Model Ensembles [16.37055946884028]
EnsemJudgeは中国語のLLM生成テキストを検出するための堅牢なフレームワークである。
NLPCC2025 Shared Task 1 で構築した中国語データセットを用いて,本システムの訓練と評価を行った。
論文 参考訳（メタデータ） (2026-03-30T01:50:46Z) - Why AI-Generated Text Detection Fails: Evidence from Explainable AI Beyond Benchmark Accuracy [0.9169660430821364]
本稿では,言語機能工学,機械学習,説明可能なAI技術を統合するフレームワークを提案する。
SHAPに基づく説明を用いて、最も影響力のある特徴がデータセットによって著しく異なることを示す。
この知識は、さまざまな設定で堅牢なAI検出器を構築するのに役立ちます。
論文 参考訳（メタデータ） (2026-03-24T12:46:15Z) - GPTZero: Robust Detection of LLM-Generated Texts [35.450284723787554]
我々は、現在最先端の産業用AI検出ソリューションであるGPTZeroを紹介し、人間とAI生成テキスト間の信頼性の高い識別を提供する。
私たちの重要な貢献は、人間のテキストとAIテキストの柔軟な分類を可能にする階層的なマルチタスクアーキテクチャの導入、さまざまなドメインにおける最先端の精度の詳細な予測、敵の攻撃やパラフレーズに対する優れた堅牢性の実現である。
論文 参考訳（メタデータ） (2026-02-13T15:53:45Z) - CoCoNUTS: Concentrating on Content while Neglecting Uninformative Textual Styles for AI-Generated Peer Review Detection [60.52240468810558]
我々は、AI生成ピアレビューの詳細なデータセットの上に構築されたコンテンツ指向ベンチマークであるCoCoNUTSを紹介する。
また、マルチタスク学習フレームワークを介してAIレビュー検出を行うCoCoDetを開発し、レビューコンテンツにおけるAIのより正確で堅牢な検出を実現する。
論文 参考訳（メタデータ） (2025-08-28T06:03:11Z) - DLaVA: Document Language and Vision Assistant for Answer Localization with Enhanced Interpretability and Trustworthiness [34.170341753045776]
VQA (Document Visual Question Answering) は、テキストの検出、認識、空間的推論の堅牢な統合を要求する。
DLaVAは、マルチモーダル大言語モデル(MLLM)を利用して、ゼロショット応答のローカライゼーションを行う訓練不要パイプラインである。
論文 参考訳（メタデータ） (2024-11-29T06:17:11Z) - Towards Reliable Detection of LLM-Generated Texts: A Comprehensive Evaluation Framework with CUDRT [9.682499180341273]
大規模言語モデル(LLM)はテキスト生成が大幅に進歩しているが、その出力の人間的な品質は大きな課題を呈している。
中国語と英語の総合的な評価フレームワークとバイリンガルベンチマークであるCUDRTを提案する。
このフレームワークは、スケーラブルで再現可能な実験をサポートし、運用の多様性、多言語トレーニングセット、LLMアーキテクチャが検出性能に与える影響を分析する。
論文 参考訳（メタデータ） (2024-06-13T12:43:40Z) - Towards Possibilities & Impossibilities of AI-generated Text Detection:
A Survey [97.33926242130732]
大規模言語モデル(LLM)は、自然言語処理(NLP)の領域に革命をもたらし、人間のようなテキスト応答を生成する能力を持つ。
これらの進歩にもかかわらず、既存の文献のいくつかは、LLMの潜在的な誤用について深刻な懸念を提起している。
これらの懸念に対処するために、研究コミュニティのコンセンサスは、AI生成テキストを検出するアルゴリズムソリューションを開発することである。
論文 参考訳（メタデータ） (2023-10-23T18:11:32Z) - MAGE: Machine-generated Text Detection in the Wild [82.70561073277801]
大規模言語モデル(LLM)は人間レベルのテキスト生成を実現し、効果的なAI生成テキスト検出の必要性を強調している。
我々は、異なるLLMによって生成される多様な人文やテキストからテキストを収集することで、包括的なテストベッドを構築する。
問題にもかかわらず、トップパフォーマンス検出器は、新しいLCMによって生成された86.54%のドメイン外のテキストを識別することができ、アプリケーションシナリオの実現可能性を示している。
論文 参考訳（メタデータ） (2023-05-22T17:13:29Z) - Can AI-Generated Text be Reliably Detected? [50.95804851595018]
大規模言語モデル(LLM)は、様々なアプリケーションで非常によく機能します。
盗作、偽ニュースの発生、スパムなどの活動においてこれらのモデルが誤用される可能性があることは、彼らの責任ある使用に対する懸念を引き起こしている。
我々は、攻撃者の存在下で、これらのAIテキスト検出装置の堅牢性を強調テストする。
論文 参考訳（メタデータ） (2023-03-17T17:53:19Z)
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。