Fugu-MT 論文翻訳(概要): A Distribution-Free Framework for Rewrite-Based Human-text Detection via Knockoff Filtering

論文の概要: A Distribution-Free Framework for Rewrite-Based Human-text Detection via Knockoff Filtering

arxiv url: http://arxiv.org/abs/2606.00402v1
Date: Fri, 29 May 2026 22:37:13 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-02 21:34:28.387002
Title: A Distribution-Free Framework for Rewrite-Based Human-text Detection via Knockoff Filtering
Title（参考訳）: ノックオフフィルタによるリライトに基づく人文検出のための分散フリーフレームワーク
Abstract要約: 本研究では,任意のリライトベース検出器を有限サンプルFDR保証付き検出器に変換する分布自由統計フレームワークを提案する。我々は,3つの検出モデル,19のドメイン,4つのLLMにまたがる有意義な検出能力を有する信頼性FDR制御を実証する。
参考スコア（独自算出の注目度）: 4.28787537081191
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We propose a distribution-free statistical framework that converts arbitrary rewrite-based detectors into detectors with finite-sample FDR guarantees without retraining. Our key observation is that rewrite-based detection implicitly constructs knockoff samples, enabling LLM-generated text detection to be formulated as a multiple hypothesis testing problem with knockoff structure. This perspective separates the design of detection statistics from the control of false discoveries, allowing existing rewrite detectors to inherit finite-sample false discovery rate (FDR) guarantees through a simple calibration procedure. We demonstrate reliable FDR control with meaningful detection power across three detection models, 19 domains, and four LLMs.
Abstract（参考訳）: 本研究では,任意のリライトベース検出器を有限サンプルFDR保証付き検出器に変換する分布自由統計フレームワークを提案する。我々のキーとなる観察は、書き直しに基づく検出が暗黙的にノックオフサンプルを構築し、LCM生成したテキスト検出をノックオフ構造を持つ多重仮説テスト問題として定式化することである。この観点は、検出統計を偽発見の制御から分離し、既存の書き換え検出器が単純な校正手順によって有限サンプル偽発見率(FDR)を継承できるようにする。我々は、3つの検出モデル、19のドメイン、および4つのLLMにまたがる有意義な検出力を持つ信頼性FDR制御を実証する。

関連論文リスト

Open-Set Visual Text Forensics via Sparse-Constraint Rectified Flow [11.434432702589868]
ジェネレーティブAIは、現在の法医学的検出をますます回避する高度なビジュアルテキスト操作を可能にする。本稿では,検索画像と正確な視覚テキスト統計とを一致させるのに必要な局所的修復コストを推定し,タンパリングを局所化する生成検出器を提案する。本手法は,F1 と IoU の3.2 と 4.8 をそれぞれ上回り,最先端性能を達成する。
論文参考訳（メタデータ） (2026-08-03T14:03:27Z)
Towards Verifiable AI with Lightweight Cryptographic Proofs of Inference [3.3323431541048385]
完全証明を軽量なサンプリングベースアプローチで置き換える検証フレームワークとプロトコルを提案する。我々は,機能的に異なるモデル間のトレース分離を活用可能な条件を定式化し,検証可能な推論プロトコルの安全性について議論する。我々の手法は、最先端の暗号証明システムと比較して、証明時間を桁違いに削減する。
論文参考訳（メタデータ） (2026-03-19T15:24:27Z)
Rethinking LLM Watermark Detection in Black-Box Settings: A Non-Intrusive Third-Party Framework [16.430415006488865]
TTP-Detectは、非侵襲的なサードパーティによる透かし検証のために設計された、先駆的なブラックボックスフレームワークである。プロキシモデルを用いて、透かし関連信号を増幅し、補完的な相対的な測定を行い、透かし付き分布とクエリテキストのアライメントを評価する。多様な攻撃に対して優れた検出性能と堅牢性を実現する。
論文参考訳（メタデータ） (2026-03-16T08:28:48Z)
Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
論文参考訳（メタデータ） (2026-02-08T16:06:12Z)
LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
論文参考訳（メタデータ） (2025-12-01T11:27:09Z)
On the Adversarial Robustness of Learning-based Conformal Novelty Detection [10.58528988397402]
AdaDetect を用いた共形ノベルティ検出の対角的ロバスト性について検討した。以上の結果から,高い検出力を維持しながらFDRを著しく増大させる可能性が示唆された。
論文参考訳（メタデータ） (2025-10-01T03:29:11Z)
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)
Your Language Model Can Secretly Write Like Humans: Contrastive Paraphrase Attacks on LLM-Generated Text Detectors [77.82885394684202]
テキスト検出を効果的に欺く訓練不要な方法である textbfContrastive textbfParaphrase textbfAttack (CoPA) を提案する。 CoPAは、大規模言語モデルによって生成される人間のような分布とは対照的に、補助的な機械的な単語分布を構築している。我々の理論的分析は、提案された攻撃の優越性を示唆している。
論文参考訳（メタデータ） (2025-05-21T10:08:39Z)
TextSleuth: Towards Explainable Tampered Text Detection [49.88698441048043]
本稿では,大規模なマルチモーダルモデルを用いて,自然言語による改ざんテキスト検出の基礎を説明する。このタスクのデータギャップを埋めるため,大規模な包括的データセットETTDを提案する。 GPT4oで高品質な異常記述を生成するために、共同クエリが導入された。低品質なアノテーションを自動的にフィルタリングするために、GPT4oに改ざんされたテキストを認識するよう促すことも提案する。
論文参考訳（メタデータ） (2024-12-19T13:10:03Z)
DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature [143.5381108333212]
大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
論文参考訳（メタデータ） (2023-01-26T18:44:06Z)
Adaptive novelty detection with false discovery rate guarantee [1.8249324194382757]
有限標本における検出された新規性に対する偽発見率(FDR)を柔軟に制御する手法を提案する。複数のテスト文献に触発されて、nullの割合に適応するAdaDetectの変種を提案する。これらの手法は、天体物理学の応用を含む、合成データセットと実世界のデータセットに説明される。
論文参考訳（メタデータ） (2022-08-13T17:14:55Z)

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。