論文の概要: When New Generators Arrive: Lifelong Machine-Generated Text Attribution via Ridge Feature Transfer

• arxiv url: http://arxiv.org/abs/2606.05626v1
• Date: Thu, 04 Jun 2026 02:50:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.509601
• Title: When New Generators Arrive: Lifelong Machine-Generated Text Attribution via Ridge Feature Transfer
• Title（参考訳）: 新しい発電機が登場したとき:リッジ特徴伝達による生涯機械生成テキスト属性
• Authors: Zhen Sun, Yifan Liao, Zhicong Huang, Jiaheng Wei, Cheng Hong, Yutao Yue, Xinlei He,
• Abstract要約: リプレイに依存しない軽量な分析更新フレームワークであるRridgeFTを提案する。 RidgeFTは、初期ジェネレータセットにタスク対応エンコーダを訓練し、各ジェネレータクラスが最初に観測されたときに、コンパクトなクラス単位の十分な統計情報を格納する。 次に、共分散キャリブレーションによるジェネレータ非関連変動を抑制し、固定されたランダム特徴による表現能力を改善し、クローズドフォームリッジレグレッションを通じて新しいクラスを更新する。
• 参考スコア（独自算出の注目度）: 17.43738158366303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine-generated text (MGT) attribution aims to identify the specific generator responsible for a given text, thereby providing fine-grained evidence for model accountability and misuse investigation. As new large language models continue to emerge, attribution models must continuously incorporate new generators while preserving their ability to recognize previously seen ones. Prior works have shown that this lifelong MGT attribution setting is challenging, and existing methods often struggle to achieve a stable balance between adapting to new classes and retaining old ones. To address this issue, we propose RidgeFT, a lightweight analytic update framework that does not rely on exemplar replay. RidgeFT trains a task-aware encoder on the initial generator set, stores compact class-wise sufficient statistics when each generator class is first observed, and then freezes the encoder for replay-free closed-form updates. It then suppresses generator-irrelevant variation through covariance calibration, improves representation capacity with fixed random features, and updates new classes through closed-form ridge regression based on class-level sufficient statistics. Across multi-topic evaluations with varying initial generator setups, RidgeFT consistently outperforms baselines. It achieves the best macro-F1 across domains, backbones, and incremental protocols, while also improving both old-class retention and new-class adaptation. These results suggest that feature-stable analytic updates provide a simple yet effective approach to lifelong MGT attribution.
• Abstract（参考訳）: 機械生成テキスト(MGT)の属性は、与えられたテキストに責任がある特定のジェネレータを特定することを目的としており、それによってモデル説明責任と誤用調査の詳細な証拠を提供する。 新しい大きな言語モデルが登場し続ければ、帰属モデルは新しいジェネレータを継続的に組み込む必要がある。 これまでの研究は、この生涯にわたるMGT属性設定が困難であることを示しており、既存の手法は、新しいクラスへの適応と古いクラスの維持の間の安定したバランスを達成するのにしばしば苦労している。 この問題に対処するため,我々は,従来のリプレイに依存しない軽量な分析更新フレームワークであるRageFTを提案する。 RidgeFTは、初期ジェネレータセットにタスク対応エンコーダをトレーニングし、各ジェネレータクラスが最初に観測されたときに、コンパクトなクラスレベルで十分な統計情報を格納し、その後、再生不要なクローズドフォーム更新のためにエンコーダを凍結する。 次に、共分散キャリブレーションによるジェネレータ非関連変動の抑制、固定ランダム特徴による表現能力の向上、クラスレベルの十分な統計量に基づく閉形式リッジ回帰による新しいクラス更新を行う。 様々な初期ジェネレータのセットアップによるマルチトピック評価では、RageFTはベースラインを一貫して上回る。 ドメイン、バックボーン、インクリメンタルプロトコルで最高のマクロF1を実現し、古いクラスの保持と新しいクラスの適応を改善している。 以上の結果から,機能安定な解析更新は,生涯MGT属性に対する単純かつ効果的なアプローチである可能性が示唆された。

関連論文リスト

• RAVEN: Real-time Autoregressive Video Extrapolation with Consistency-model GRPO [53.38929612273108]
  因果自己回帰ビデオ拡散モデルは、以前生成されたコンテンツから将来のチャンクを外挿することでリアルタイムストリーミング生成をサポートする。 本稿では,リアルタイム自動回帰ビデオ補間ネットワーク(RAVEN)を紹介した。これは,各自己ロールアウトを,クリーンな歴史的エンドポイントのインターリーブシーケンスに再パッケージするトレーニングタイムテストフレームワークである。
  論文  参考訳（メタデータ） (2026-05-14T17:59:30Z)
• SimGR: Escaping the Pitfalls of Generative Decoding in LLM-based Recommendation [68.00727783181289]
  推薦システムの中核的な目的は、パーソナライズされたレコメンデーションを可能にするために、アイテムよりもユーザの好みの分布を正確にモデル化することである。 アイテムレベルの嗜好分布を推定する際に,既存の手法が必然的に系統的バイアスを生じさせることを観察する。 textbfSimply textbfGenerative textbfRecommendation (textbfSimGR)を提案する。
  論文  参考訳（メタデータ） (2026-02-08T07:26:52Z)
• STABLE: Gated Continual Learning for Large Language Models [0.0]
  STABLEは、シーケンシャルな更新時に忘れることを制限する、ゲート付き連続的なセルフ編集フレームワークである。 各候補編集は3つの指標のうちの1つを用いて安定性の予算に対して評価される。 Qwen-2.5-7Bモデルの実験では、ゲーティングは適応性を保ちながら忘れを効果的に軽減することを示した。
  論文  参考訳（メタデータ） (2025-10-17T16:14:05Z)
• Adaptive Additive Parameter Updates of Vision Transformers for Few-Shot Continual Learning [0.0]
  FSCIL(Few-shot class incremental learning)は、最初にベースクラスの堅牢なデータセット上でモデルをトレーニングし、連続したセッションでそれを漸進的に適応することによって、この問題に対処する。 このアプローチは、制限された新しいデータに過度に適合する傾向があり、全体的なパフォーマンスを損なうとともに、忘れを悪化させる可能性がある。 パラメータ効率のよい加算更新を付加した凍結型ビジョントランスフォーマー(ViT)バックボーンを利用する新しいFSCILフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-11T21:17:30Z)
• Generative Multi-modal Models are Good Class-Incremental Learners [51.5648732517187]
  クラス増分学習のための新しい生成型マルチモーダルモデル(GMM)フレームワークを提案する。 提案手法は適応生成モデルを用いて画像のラベルを直接生成する。 Few-shot CIL設定では、現在の最先端のすべてのメソッドに対して少なくとも14%精度が向上し、忘れてはならない。
  論文  参考訳（メタデータ） (2024-03-27T09:21:07Z)
• MixBCT: Towards Self-Adapting Backward-Compatible Training [66.52766344751635]
  そこで本研究では,単純かつ高効率な後方互換性学習法であるMixBCTを提案する。 大規模顔認識データセットMS1Mv3とIJB-Cについて実験を行った。
  論文  参考訳（メタデータ） (2023-08-14T05:55:38Z)
• Consensus-Adaptive RANSAC [104.87576373187426]
  本稿では,パラメータ空間の探索を学習する新しいRANSACフレームワークを提案する。 注意機構は、ポイント・ツー・モデル残差のバッチで動作し、軽量のワンステップ・トランスフォーマーで見いだされたコンセンサスを考慮するために、ポイント・ツー・モデル推定状態を更新する。
  論文  参考訳（メタデータ） (2023-07-26T08:25:46Z)
• Regression Transformer: Concurrent Conditional Generation and Regression by Blending Numerical and Textual Tokens [3.421506449201873]
  Regression Transformer (RT)は、数値トークンのシーケンスとして連続プロパティをキャストし、それらを従来のトークンと共同でエンコードする。 我々はXLNetの目的に対するいくつかの拡張を提案し、プロパティ予測と条件テキスト生成を同時に最適化する交互トレーニングスキームを採用する。 このことは、特にプロパティ駆動で、化学またはタンパク質空間の局所的な探索に応用される。
  論文  参考訳（メタデータ） (2022-02-01T08:57:31Z)
• Sparse Attention with Linear Units [60.399814410157425]
  本稿では, ソフトマックスアクティベーションをReLUに置き換えることにより, 注目度を向上する新しい, 簡便な手法を提案する。 我々のモデルはRectified Linear Attention (ReLA)と呼ばれ、以前提案したスパースアテンション機構よりも実装が容易で効率的である。 分析の結果,RELAは高い空間性率と頭部の多様性を達成でき,ソース・ターゲット単語アライメントの精度が向上することがわかった。
  論文  参考訳（メタデータ） (2021-04-14T17:52:38Z)

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。