論文の概要: The CIFAR Synthetic Evidence Corpus for Detecting AI-Generated Evidence

• arxiv url: http://arxiv.org/abs/2606.07916v1
• Date: Sat, 06 Jun 2026 00:43:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.535336
• Title: The CIFAR Synthetic Evidence Corpus for Detecting AI-Generated Evidence
• Title（参考訳）: AI生成エビデンス検出のためのCIFAR合成エビデンスコーパス
• Authors: Kelly McConvey, Jalehsadat Mahdavimoghaddam, Nima Jamali, Maksym Taranukhin, Sajad Ebrahimi, Wentao Zhang, Yuntian Deng, Karen Eltis, Maura R. Grossman, Vered Shwartz, Ebrahim Bagheri,
• Abstract要約: CIFAR 合成証拠コーパス(CIFAR Synthetic Evidence Corpus)は,証拠検証の厳密な評価を可能にするデータセットである。 コーパスは、フィールドレベルの小さな編集から完全な文書作成まで、複数のドキュメントファミリと操作戦略の範囲にまたがる。 トレーニングとテストデータのソースレベルの分離を図りながら、操作の複雑さと生成方法の両方を体系的に変更するように構成されている。
• 参考スコア（独自算出の注目度）: 24.317012339005988
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The growing ability of generative models to produce realistic documents poses a direct challenge to evidentiary workflows in the justice system and the courts, where decisions increasingly depend on the authenticity of evidence such as receipts, communications, and administrative records. Unlike social media or academic settings, evidentiary documents are often only subtly altered, with small, localized edits that preserve overall plausibility while changing legal meaning. Yet progress on automated detection remains limited, largely due to the absence of suitable training and evaluation data especially suited for the justice system requirements. Existing resources are either focused on photos of human faces or natural scenery or on narrowly scoped academic or social media document types, and do not capture the structure, diversity, or manipulation patterns characteristic of real-world evidentiary data. As a result, current detection systems do not necessarily learn meaningful signals appropriate for the justice system. We introduce the CIFAR Synthetic Evidence Corpus, a dataset designed to enable rigorous evaluation of evidence verification under realistic and controlled conditions. The corpus spans multiple document families and a spectrum of manipulation strategies, from small field-level edits to complete document fabrication, and is constructed using a diverse set of state-of-the-art generative tools. It is organized to systematically vary both manipulation complexity and generation method, while enforcing source-level separation between training and test data to reflect real-world generalization challenges.
• Abstract（参考訳）: 生成モデルの現実的な文書作成能力の増大は、司法制度や裁判所における明らかなワークフローへの直接的な挑戦となり、その決定は、領収書、通信、行政記録などの証拠の信頼性にますます依存する。 ソーシャルメディアや学術的な設定とは異なり、明らかな文書は、法律的な意味を変えながら全体の妥当性を保った小さな局所的な編集によって、微妙にしか変更されないことが多い。 しかし、自動検出の進歩は、主に司法制度の要件に特に適合する適切なトレーニングと評価データが欠如しているため、依然として限られている。 既存の資源は、人間の顔や自然の風景の写真や、狭い範囲の学術的、ソーシャルメディアの文書タイプに焦点を合わせており、現実世界の明らかなデータに特徴的な構造、多様性、操作パターンを捉えていない。 その結果、電流検出システムは、必ずしも正義システムに適した有意義な信号を学習するとは限らない。 CIFAR Synthetic Evidence Corpusは,現実的かつ制御された条件下での証拠検証の厳密な評価を可能にするために設計されたデータセットである。 コーパスは、フィールドレベルの編集から完全な文書作成まで、複数のドキュメントファミリと操作戦略の範囲にまたがっており、様々な最先端の生成ツールを用いて構築されている。 実世界の一般化の課題を反映して、トレーニングとテストデータのソースレベルの分離を図りながら、操作の複雑さと生成方法の両方を体系的に変化させる。

関連論文リスト

• Short Version of VERIFAI2026 Paper -- Learning Infused Formal Reasoning: Contract Synthesis, Artefact Reuse and Semantic Foundations [0.0]
  本稿では,機械学習技術と形式検証を統合したLIFR(Learning-Infused Formal Reasoning)という研究ビジョンを概説する。 このフレームワークは、自然言語要求からの自動コントラクト合成、グラフマッチングと学習ベースの埋め込みを用いた検証アーティファクトのセマンティックリユース、および統一プログラミング理論(UTP)と制度理論に基づく数学的に基礎付けられたセマンティック基盤の3つの相補的な研究方向に焦点を当てている。
  論文  参考訳（メタデータ） (2026-04-14T13:58:14Z)
• On-Premise AI for the Newsroom: Evaluating Small Language Models for Investigative Document Search [2.853035319109148]
  検索拡張生成(RAG)機能を備えた大規模言語モデル(LLM)は、文書発見のプロセスの高速化を約束する。 我々は5段階のパイプラインを通して透明性と編集制御を優先するジャーナリスト中心の検索手法を提案する。 我々は2つのコーパス上で3つの量子化モデル(Gemma 3 12B, Qwen 3 14B, GPT-OSS 20B)を評価し,信頼性のかなりの変動を見出した。
  論文  参考訳（メタデータ） (2025-09-29T20:50:40Z)
• Beyond Artificial Misalignment: Detecting and Grounding Semantic-Coordinated Multimodal Manipulations [56.816929931908824]
  マルチモーダルデータにおける意味的協調操作の検出の先駆者となった。 本稿では,RamDG(Retrieval-Augmented Manipulation Detection and Grounding)フレームワークを提案する。 我々のフレームワークは既存の手法よりも優れており、SAMMの精度は最先端の手法に比べて2.06%高い。
  論文  参考訳（メタデータ） (2025-09-16T04:18:48Z)
• DREAM: Document Reconstruction via End-to-end Autoregressive Model [53.51754520966657]
  本稿では、文書再構成に特化した革新的な自己回帰モデルについて述べる。 文書再構成タスクの標準化定義を確立し,文書類似度基準(DSM)とDocRec1Kデータセットを導入し,タスクの性能を評価する。
  論文  参考訳（メタデータ） (2025-07-08T09:24:07Z)
• Towards Robust Fact-Checking: A Multi-Agent System with Advanced Evidence Retrieval [1.515687944002438]
  デジタル時代における誤報の急速な拡散は、世論に重大な課題をもたらす。 従来の人間主導のファクトチェック手法は信頼できるが、オンラインコンテンツの量と速度に苦慮している。 本稿では, 精度, 効率, 説明性を向上する自動ファクトチェックのための新しいマルチエージェントシステムを提案する。
  論文  参考訳（メタデータ） (2025-06-22T02:39:27Z)
• GERE: Generative Evidence Retrieval for Fact Verification [57.78768817972026]
  本稿では,ジェネレーション方式で証拠を検索する最初のシステムであるGEREを提案する。 FEVERデータセットの実験結果は、GEREが最先端のベースラインよりも大幅に改善されていることを示している。
  論文  参考訳（メタデータ） (2022-04-12T03:49:35Z)
• Synthetic Disinformation Attacks on Automated Fact Verification Systems [53.011635547834025]
  本研究では,2つのシミュレーション環境において,自動ファクトチェッカーの合成正反対証拠に対する感度について検討する。 これらのシステムでは,これらの攻撃に対して大幅な性能低下がみられた。 偽情報の発生源としての現代のNLGシステムの脅威の増大について論じる。
  論文  参考訳（メタデータ） (2022-02-18T19:01:01Z)
• AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
  実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。 アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。 我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
  論文  参考訳（メタデータ） (2021-04-01T17:40:08Z)

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。