論文の概要: DSIPA: Detecting LLM-Generated Texts via Sentiment-Invariant Patterns Divergence Analysis

• arxiv url: http://arxiv.org/abs/2604.26328v1
• Date: Wed, 29 Apr 2026 06:22:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-30 15:59:36.273193
• Title: DSIPA: Detecting LLM-Generated Texts via Sentiment-Invariant Patterns Divergence Analysis
• Title（参考訳）: DSIPA:知覚不変パターンの多様性分析によるLCM生成テキストの検出
• Authors: Siyuan Li, Aodu Wulianghai, Guangyan Li, Xi Lin, Qinghua Mao, Yuliang Chen, Jun Wu, Jianhua Li,
• Abstract要約: DSIPAは、制御されたスタイル変化の下で感情分布の安定性を定量化することにより、大規模言語モデル(LLM)コンテンツを検出する、トレーニング不要のフレームワークである。 ゼロショットのブラックボックス方式で動作し、2つの教師なしメトリクス、感情分布の一貫性と感情分布の保存を活用する。 本フレームワークは, ドメイン間の高度な一般化性と, 敵条件に対する強いレジリエンスを示す。
• 参考スコア（独自算出の注目度）: 13.9689104714669
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid advancement of large language models (LLMs) presents new security challenges, particularly in detecting machine-generated text used for misinformation, impersonation, and content forgery. Most existing detection approaches struggle with robustness against adversarial perturbation, paraphrasing attacks, and domain shifts, often requiring restrictive access to model parameters or large labeled datasets. To address this, we propose DSIPA, a novel training-free framework that detects LLM-generated content by quantifying sentiment distributional stability under controlled stylistic variation. It is based on the observation that LLMs typically exhibit more emotionally consistent outputs, while human-written texts display greater affective variation. Our framework operates in a zero-shot, black-box manner, leveraging two unsupervised metrics, sentiment distribution consistency and sentiment distribution preservation, to capture these intrinsic behavioral asymmetries without the need for parameter updates or probability access. Extensive experiments are conducted on state-of-the-art proprietary and open-source models, including GPT-5.2, Gemini-1.5-pro, Claude-3, and LLaMa-3.3. Evaluations on five domains, such as news articles, programming code, student essays, academic papers, and community comments, demonstrate that DSIPA improves F1 detection scores by up to 49.89% over baseline methods. The framework exhibits superior generalizability across domains and strong resilience to adversarial conditions, providing a robust and interpretable behavioral signal for secure content identification in the evolving LLM landscape.
• Abstract（参考訳）: 大規模言語モデル(LLM)の急速な進歩は、特に誤情報、偽造、コンテンツ偽造に使用される機械生成テキストの検出において、新たなセキュリティ上の課題を提示している。 既存のほとんどの検出アプローチは、敵の摂動、パラフレージング攻撃、ドメインシフトに対する堅牢性に苦慮しており、しばしばモデルパラメータや大きなラベル付きデータセットへの制限的なアクセスを必要としている。 そこで本研究では,LLM生成コンテンツを検出する新たなトレーニングフリーフレームワークであるDSIPAを提案する。 LLMは一般的に感情的に一貫した出力を示すのに対し、人間によるテキストは感情的な変化が大きいという観察に基づいている。 我々のフレームワークはゼロショットでブラックボックス方式で動作し、パラメータの更新や確率アクセスを必要とせず、2つの教師なしメトリクス、感情分布の一貫性と感情分布の保存を活用する。 GPT-5.2、Gemini-1.5-pro、Claude-3、LLaMa-3.3など、最先端のプロプライエタリおよびオープンソースモデルで大規模な実験が行われた。 ニュース記事、プログラミングコード、学生エッセイ、学術論文、コミュニティのコメントなど5つの分野の評価は、DSIPAがF1検出スコアをベースライン法よりも49.89%向上することを示した。 このフレームワークは、ドメイン間での優れた一般化性と、敵対的な条件に対する強いレジリエンスを示し、進化するLLMランドスケープにおけるセキュアなコンテンツ識別のための堅牢で解釈可能な行動信号を提供する。

関連論文リスト

• DeLeaker: Dynamic Inference-Time Reweighting For Semantic Leakage Mitigation in Text-to-Image Models [55.30555646945055]
  テキスト・ツー・イメージ(T2I)モデルはセマンティック・リークに対して脆弱である。 DeLeakerは、モデルのアテンションマップに直接介入することで、漏洩を緩和する軽量なアプローチである。 SLIMはセマンティックリークに特化した最初のデータセットである。
  論文  参考訳（メタデータ） (2025-10-16T17:39:21Z)
• RHINO: Guided Reasoning for Mapping Network Logs to Adversarial Tactics and Techniques with Large Language Models [9.065322387043546]
  人間の推論を反映した3つの解釈可能なフェーズに大言語モデルを分解するフレームワークであるRHINOを紹介する。 RHINOは、構造的推論による出力信頼性を改善しながら、低レベルの観測と反対方向のセマンティックギャップを橋渡しする。 以上の結果から,RHINOは脅威解析の解釈可能性やスケーラビリティを著しく向上させ,LLMを運用上のセキュリティ設定にデプロイするための青写真を提供することが示された。
  論文  参考訳（メタデータ） (2025-10-16T02:25:46Z)
• StyleDecipher: Robust and Explainable Detection of LLM-Generated Texts with Stylistic Analysis [18.44456241158174]
  StyleDecipherは堅牢で説明可能な検出フレームワークである。 組み合わせた特徴抽出器を用いてテキスト検出を再検討し、構造的差異を定量化する。 常に最先端のドメイン内精度を達成する。
  論文  参考訳（メタデータ） (2025-10-14T15:07:27Z)
• Diversity Boosts AI-Generated Text Detection [51.56484100374058]
  DivEyeは、予備的な機能を使って、予測不可能がテキスト間でどのように変動するかをキャプチャする、新しいフレームワークである。 提案手法は、既存のゼロショット検出器を最大33.2%向上させ、微調整ベースラインとの競合性能を達成する。
  論文  参考訳（メタデータ） (2025-09-23T10:21:22Z)
• RepreGuard: Detecting LLM-Generated Text by Revealing Hidden Representation Patterns [50.401907401444404]
  大規模言語モデル(LLM)は、誤用を防止し、信頼できるAIシステムを構築するために不可欠である。 本稿では,統計量に基づく効率的な検出手法であるRepreGuardを提案する。 実験結果から、RepreGuardは、平均94.92%のAUROCですべてのベースラインでID(in-distriion)とOOD(OOD)の両方のシナリオでパフォーマンスが向上していることが示された。
  論文  参考訳（メタデータ） (2025-08-18T17:59:15Z)
• When Punctuation Matters: A Large-Scale Comparison of Prompt Robustness Methods for LLMs [55.20230501807337]
  本報告では, 統一実験フレームワーク内での迅速なロバスト性向上のための5つの手法の体系的評価を行う。 Llama、Qwen、Gemmaファミリーの8つのモデルに対して、Natural Instructionsデータセットから52のタスクをベンチマークする。
  論文  参考訳（メタデータ） (2025-08-15T10:32:50Z)
• Model-Agnostic Sentiment Distribution Stability Analysis for Robust LLM-Generated Texts Detection [23.153044933861988]
  大規模言語モデル(LLM)生成テキストを検出するためのモデルに依存しないフレームワークであるSentiDetectを提案する。 本手法は, LLM出力が感情的一貫したパターンを示す傾向を示すのに対して, 人文テキストの方が感情的多様性が高いという経験的観察に動機付けられている。 我々は,Gemini-1.5-Pro,Claude-3,GPT-4-0613,LLaMa-3.3を含む5種類の多種多様なLLMを用いてSentiDetectを評価した。
  論文  参考訳（メタデータ） (2025-08-09T09:55:47Z)
• Training-free LLM-generated Text Detection by Mining Token Probability Sequences [18.955509967889782]
  大規模言語モデル(LLM)は、様々な領域にまたがる高品質なテキストを生成する際、顕著な能力を示した。 統計的特徴を慎重に設計することで、固有の相違に焦点をあてたトレーニングフリーな手法は、一般化と解釈性の向上を提供する。 局所的および大域的統計を相乗化して検出を増強する,新しいトレーニング不要検出器である textbfLastde を導入する。
  論文  参考訳（メタデータ） (2024-10-08T14:23:45Z)
• Detecting Machine-Generated Long-Form Content with Latent-Space Variables [54.07946647012579]
  既存のゼロショット検出器は主に、現実世界のドメインシフトに弱いトークンレベルの分布に焦点を当てている。 本稿では,イベント遷移などの抽象的要素を機械対人文検出の鍵となる要因として組み込んだ,より堅牢な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-04T18:42:09Z)

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。