論文の概要: Detecting Diffusion-Generated Time Series Under Generator Shift

• arxiv url: http://arxiv.org/abs/2605.28355v1
• Date: Wed, 27 May 2026 11:54:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.022218
• Title: Detecting Diffusion-Generated Time Series Under Generator Shift
• Title（参考訳）: 発電機シフトによる拡散発生時系列の検出
• Authors: Zhi Wen Soi, Aditya Shankar, Gert Lek, Abele Mălan, Daniel Neider, Jian-Jia Chen, Lydia Chen,
• Abstract要約: 拡散生成時系列の検出器は未探索である。 時系列検出におけるホワイトボックスとブラックボックスのアプローチについて検討した。
• 参考スコア（独自算出の注目度）: 4.866912749451463
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The boundary between real and diffusion-generated time series is becoming increasingly difficult to draw, yet detection in this domain remains underexplored, especially when the generator is unknown. We compare white-box detection, which requires access to the generator, against black-box detection, which operates on the raw signal alone. The white-box approach, a reconstruction-based detector adapted from the image domain, works well in in-distribution but breaks down under generator shift: reconstruction-based detection in images succeeds because large generic generators provide a near-universal reconstruction prior, and no analogous generator exists for time series. In contrast, a simple off-the-shelf classifier used as a black-box detector performs remarkably well, achieving an average F1 of 79.2, a 22.1% relative improvement over the white-box approach, and a TPR@1%FPR of 57.2. Diffusion-generated time series detection is therefore not a direct transfer of the image domain problem. This work provides the first systematic exploration of white-box and black-box detection for diffusion-generated time series. We close by identifying several open and promising directions.
• Abstract（参考訳）: 実時間系列と拡散生成時系列の境界線は、描画がますます困難になっているが、この領域における検出は、特に発生元が不明な場合に、未探索のままである。 生成装置へのアクセスを必要とするホワイトボックス検出と、生信号のみで動作するブラックボックス検出を比較した。 画像領域から適応した再構成ベースの検出器であるWhite-boxアプローチは、分散環境ではうまく機能するが、ジェネレータシフトによって分解される:画像内の再構成ベースの検出は、大きなジェネレータが前もってほぼユニバーサルな再構成を提供するため成功し、時系列に類似のジェネレータは存在しない。 対照的にブラックボックス検出器として用いられる単純なオフザシェルフ分類器は、平均的なF1の79.2、ホワイトボックスアプローチに対する22.1%の相対的な改善、TPR@1%のFPRの57.2を達成している。 したがって拡散生成時系列検出は画像領域問題の直接転送ではない。 この研究は、拡散生成時系列に対するホワイトボックスとブラックボックス検出の最初の体系的な探索を提供する。 私たちはいくつかのオープンで有望な方向を特定することで閉じています。

関連論文リスト

• Rethinking Cross-Generator Image Forgery Detection through DINOv3 [62.80415066351157]
  クロスジェネレータ検出は、新しい挑戦フォージェネレータモデルとして登場した。 凍結した視覚基盤モデル、特にDINOv3は、既に強力なクロスジェネレータ検出能力を持っていることを示す。 トレーニング不要なトークンランク戦略を導入し、続いて軽量な線形プローブを用いて、認証関連トークンの小さなサブセットを選択する。
  論文  参考訳（メタデータ） (2025-11-27T14:01:50Z)
• Foundation Visual Encoders Are Secretly Few-Shot Anomaly Detectors [58.75916798814376]
  FoundADと呼ばれる数発の異常検出装置を開発した。 画像中の異常量は学習した埋め込みの差と直接相関する。 簡単な演算子は、画像中の分布外領域を特徴付け識別する異常検出の有効なツールとして機能する。
  論文  参考訳（メタデータ） (2025-10-02T11:53:20Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Vulnerabilities in AI-generated Image Detection: The Challenge of Adversarial Attacks [39.524974831780874]
  FPBAはブラックボックス攻撃を成功させることができるので、敵攻撃はAIGI検出器にとって真の脅威であることを示す。 我々はこの手法を周波数ベースのポストトレインベイズアタック (FPBA) と呼ぶ。
  論文  参考訳（メタデータ） (2024-07-30T14:07:17Z)
• A Classifier-Based Approach to Multi-Class Anomaly Detection for Astronomical Transients [0.0]
  希少な過渡性の同定に必須なリアルタイム異常検出 現代のサーベイ望遠鏡は毎晩何万もの警報を発生させる。 ヴェラ・C・ルービン天文台のような将来の望遠鏡はこの数を劇的に増やすことを計画した。
  論文  参考訳（メタデータ） (2024-03-21T18:00:00Z)
• A method to correct the temporal drift of single photon detectors, based on asynchronous quantum ghost imaging [0.0]
  画素内タイミング回路の大きな問題は、特に2次元画像処理において、画素内タイミング回路の実装である。 本稿では, 非同期量子ゴーストイメージングに基づく単一光子検出器の時間的ドリフトを同定し, 補正する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-22T08:07:56Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Target-aware Dual Adversarial Learning and a Multi-scenario Multi-Modality Benchmark to Fuse Infrared and Visible for Object Detection [65.30079184700755]
  本研究は、物体検出のために異なるように見える赤外線と可視画像の融合の問題に対処する。 従来のアプローチでは、2つのモダリティの根底にある共通点を発見し、反復最適化またはディープネットワークによって共通空間に融合する。 本稿では、融合と検出の連立問題に対する二段階最適化の定式化を提案し、その後、核融合と一般的に使用される検出ネットワークのためのターゲット認識デュアル逆学習(TarDAL)ネットワークに展開する。
  論文  参考訳（メタデータ） (2022-03-30T11:44:56Z)
• Beyond the Spectrum: Detecting Deepfakes via Re-Synthesis [69.09526348527203]
  ディープフェイク(Deepfakes)として知られる非常に現実的なメディアは、現実の目から人間の目まで区別できない。 本研究では,テスト画像を再合成し,検出のための視覚的手がかりを抽出する,新しい偽検出手法を提案する。 種々の検出シナリオにおいて,提案手法の摂動に対する有効性の向上,GANの一般化,堅牢性を示す。
  論文  参考訳（メタデータ） (2021-05-29T21:22:24Z)

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。