論文の概要: Quickest Detection of Hallucination Onset: Delay Bounds and Learned CUSUM Statistics

• arxiv url: http://arxiv.org/abs/2606.12476v2
• Date: Fri, 12 Jun 2026 13:24:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-15 13:53:03.591392
• Title: Quickest Detection of Hallucination Onset: Delay Bounds and Learned CUSUM Statistics
• Title（参考訳）: 幻覚の早期検出:遅延境界と学習CUSUM統計
• Abstract要約: 幻覚のオンセット検出は 最も急激な変化検出問題です 因果リカレントラベル装置は、学習インクリメントを伴うCUSUMとして機能する。 低速アラームオンセット検出は困難である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Token-level hallucination detectors are evaluated as classifiers, by AUC over all tokens, yet a streaming monitor is judged by its reaction time: the number of tokens that pass between the onset of a hallucination and the alarm. We formulate hallucination onset detection as a quickest change detection problem. A first-order Markov model of the latent faithful/hallucinated state, validated on RAGTruth, places the task inside classical change-point theory and yields Lorden's lower bound on detection delay: about 1.3 tokens at a false-alarm rate of 0.01. We then show that a causal recurrent labeler acts as a CUSUM with a learned increment. Among the onsets it catches it detects in 11-13 tokens, against 31 for a linear per-token baseline, though at this false-alarm budget every detector catches under a third of onsets and the recall-honest delay is 56-66 tokens: low-false-alarm onset detection is hard. A controlled decomposition attributes the speed advantage mostly to a better per-token score rather than to temporal accumulation. An information-rate optimality theorem of Donsker-Varadhan type explains the remaining order-of-magnitude gap: the learned score realizes only 1/4.5 of the divergence the features carry, a deficit that recalibration cannot remove, with the remainder a finite-horizon effect. Classification metrics conceal this delay structure; sequential analysis makes it measurable.
• Abstract（参考訳）: トークンレベルの幻覚検出器は、すべてのトークンに対してAUCによって分類器として評価されるが、ストリーミングモニターはその反応時間によって判断される。 我々は、最も急激な変化検出問題として幻覚検出を定式化する。 RAGTruthで検証された潜在忠実/幻覚状態の1次マルコフモデルでは、タスクを古典的変化点理論の中に配置し、検出遅延(英語版)でローレンの下限(英語版)(約1.3トークン)を得る。 次に、因果リカレントラベルが学習インクリメントを伴うCUSUMとして機能することを示す。 しかしこの偽アラーム予算では、全ての検出器はオンセットの3分の1以下でキャッチされ、リコールとリコールの遅延は56-66トークンであり、低ファローのアラームのオンセット検出は難しい。 制御された分解は、時間的蓄積よりも、主にトーケン毎のスコアが優れているという、速度の優位性に起因している。 Donsker-Varadhan型の情報レート最適性定理は、残りの次数-次数ギャップを説明している: 学習されたスコアは、特徴が持つ発散の1/4.5しか認識せず、再校正できない欠陥は、残りは有限水平効果である。 分類基準はこの遅延構造を隠蔽し、シーケンシャル分析により測定可能である。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [66.44527094471619]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Beyond Lexical Metrics: Sentence-Embedding Detection of Reviewer Habituation in AI Code Review [2.9152186617858304]
  我々は11,429件のレビューと10,104件のAIによる人間によるインラインコメントを比較した。 審査員の早期の承認率は30.5%から後期の36.6%に上昇した。 語彙多様性、シャノンエントロピー、技術的特異性、建設的行動可能性の4つの手作り言語的特徴は、露光の奇形全体で単調な減少を示さない。
  論文  参考訳（メタデータ） (2026-09-05T18:15:18Z)
• TriggerBench: Investigating Prospective Memory for Large Language Models [61.96701552522981]
  我々は、Prospective memory(PM)のベンチマークであるTriggerBenchを紹介する。 PMは正確なリコールトレードオフと注意欠陥を示している。 PMはRMよりも特に困難で、同じ文脈では100Kのトークンがほぼ飽和し、PMは文脈長のスケールで急激に崩壊する。
  論文  参考訳（メタデータ） (2026-06-22T15:07:36Z)
• Amplify, Don't Create: Temporal Accumulation for Slow-Burn Prompt Injection [0.0]
  ツール使用エージェントに対するコントロールプレーン攻撃は、その代わりに、各イベントをしきい値以下に保ちながら、トラジェクトリにわたって弱いディレクティブを分散することができる。 我々は,プロキシ側時間アキュムレータが,凍結点当たりのスコアをピーク値とCUSUM永続化統計値に減らし,このスローバーン信号を回復するかどうかを検証した。
  論文  参考訳（メタデータ） (2026-06-17T23:39:38Z)
• The Hiremath Early Detection (HED) Score: A Measure-Theoretic Evaluation Standard for Temporal Intelligence [0.0]
  非定常プロセス上で動作するシステム評価のための原理的理論的基準であるHiremath Early Detection (HED) Scoreを導入する。 HEDスコアは、ベースラインニュートラルで指数関数的に崩壊するカーネルをターゲット状態の後続確率ストリーム上に統合し、正確には状態シフトの開始時に始まる。
  論文  参考訳（メタデータ） (2026-04-05T14:22:20Z)
• Neural Uncertainty Principle: A Unified View of Adversarial Fragility and LLM Hallucination [60.197429875410286]
  大規模言語モデルにおける視覚と幻覚の対立的脆弱性は、伝統的に別の問題と見なされている。 損失誘起状態下でのニューラル不確実性原理(NUP)の定式化により, ほぼバウンド状態においては, さらなる圧縮は感度分散の増大を伴うことが判明した。 視覚では、高度に結合したコンポーネントをマスキングすることで、コストのかかる敵の訓練なしに堅牢性を向上させる。 言語では、任意の応答トークンを生成する前に、同じプレフィルステージプローブが幻覚リスクを検出する。
  論文  参考訳（メタデータ） (2026-03-20T02:07:10Z)
• Early Rug Pull Warning for BSC Meme Tokens via Multi-Granularity Wash-Trading Pattern Profiling [3.1262100364392205]
  分散型金融(DeFi)におけるミームトークンの高頻度発行と短サイクル投機は、ルーグプルリスクを著しく増幅した。 既存のアプローチは、わずかな異常、不完全なラベル、限定的な解釈可能性の下で安定した早期警告を提供するのに依然として苦労している。 この問題に対処するために、データセットの構築とラベル付け、ハッシュトレーディングパターンの特徴モデリング、リスク予測、エラー解析の4段階からなるBSCミームトークンに対して、エンドツーエンドの警告フレームワークが提案されている。
  論文  参考訳（メタデータ） (2026-03-14T08:25:42Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• Probability-Entropy Calibration: An Elastic Indicator for Adaptive Fine-tuning [55.2818264614932]
  RankTunerは確率エントロピーキャリブレーション信号、相対ランクインジケータを導入し、予測分布の下で接地トラストークンのランクと期待ランクを比較する。 逆インジケータはトークン単位の相対尺度として使用され、微調整の目的を再重み付けし、真に未学習のトークンを更新する。
  論文  参考訳（メタデータ） (2026-02-02T07:27:19Z)
• Finite-Horizon Quickest Change Detection Balancing Latency with False Alarm Probability [20.918853345531375]
  非定常環境における学習に関連のあるQCD問題の有限水平変種について検討した。 誤報を特徴づける計量は、地平線が終わる前に発生する誤報の確率である。 目的は、(所定のレイテンシレベルで)レイテンシを最小限に抑えながら、偽のアラームの確率を低く抑えることである。
  論文  参考訳（メタデータ） (2025-11-16T22:16:33Z)
• Quickest Change Detection in Continuous-Time in Presence of a Covert Adversary [7.58317340007754]
  ブラウン運動が未知の時間でドリフト変化を経験する連続時間設定における最短変動検出の問題について検討する。 ドリフトスケールが$mu(gamma) = Theta (1/sqrtgamma)$となると、敵は被害を最大化でき、連続検知システムにおけるステルスと影響の基本的なトレードオフを示す。
  論文  参考訳（メタデータ） (2025-09-22T13:40:53Z)
• Uncertainty-Aware Attention Heads: Efficient Unsupervised Uncertainty Quantification for LLMs [129.79394562739705]
  大型言語モデル(LLM)は、顕著な流布を示すが、しばしば「幻覚」として知られる致命的な誤りを引き起こす。 本稿では,非教師的アプローチであるRAUQ(Recurrent Attention-based Uncertainty Quantification)を提案する。 4つのLLMと12の質問応答、要約、翻訳タスクにわたる実験は、RAUQが優れた結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2025-05-26T14:28:37Z)
• MTRE: Multi-Token Reliability Estimation for Hallucination Detection in VLMs [2.6076093883457454]
  視覚言語モデル(VLM)は、今や多くのマルチモーダルタスクにおいて人間のパフォーマンスと競合するが、それでもオブジェクトを幻覚させるか、安全でないテキストを生成する。 初期ロジットの完全配列を解析することで,診断情報が大幅に向上することが実証された。 マルチトークンの信頼性評価(MTRE, Multi-Token Reliability Estimation)は, マルチトークンの対数比と自己アテンションを用いて, 最初の10トークンからログを集約する軽量なホワイトボックス手法である。
  論文  参考訳（メタデータ） (2025-05-16T23:00:19Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Optimal Sequential Detection of Signals with Unknown Appearance and Disappearance Points in Time [64.26593350748401]
  本論文は、変化の期間が有限で未知であると仮定して、逐次的な変化点検出問題に対処する。 我々は、所定の時間(または空間)ウィンドウにおける最小検出確率を最大化する信頼性の高い最大変更検出基準に焦点を当てる。 FMAアルゴリズムは、光学画像中の衛星のかすかなストリークを検出するために応用される。
  論文  参考訳（メタデータ） (2021-02-02T04:58:57Z)

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。