論文の概要: WaveDetect: Robust Framework for Machine-Generated Text Detection via Wavelet Transform

• arxiv url: http://arxiv.org/abs/2606.23336v1
• Date: Mon, 22 Jun 2026 13:42:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 22:30:15.140818
• Title: WaveDetect: Robust Framework for Machine-Generated Text Detection via Wavelet Transform
• Title（参考訳）: WaveDetect:Wavelet変換による機械生成テキスト検出のためのロバストフレームワーク
• Authors: Zhichen Liu, Kaitong Qin, Linhan He, Yang Xu,
• Abstract要約: 既存の検出器は、対向的な摂動、ドメイン間のシフト、基礎モデルの急激な時間的進化という3つの重要な課題に直面した時にしばしば混乱する。 本稿では、時間周波数領域内の信号処理タスクとしてテキスト検出を再構成する新しいフレームワークであるWavedetectを提案する。
• 参考スコア（独自算出の注目度）: 2.7227283756285288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As Large Language Models asymptotically approach human-level fluency in natural language generation, solely relying on surface-level semantic artifacts for detecting LLM-generated texts has become increasingly precarious. Existing detectors often falter when facing three critical challenges: adversarial perturbations, cross-domain shifts, and the rapid temporal evolution of the foundation model. To address these issues, we propose \wavedetect, a novel framework that reformulates text detection as a signal processing task within the time-frequency domain. Unlike previous methods that analyze static token probability distributions, \wavedetect models the generated output as a probability signal, upon which a differentiable Continuous Wavelet Transform is applied to convert them into learnable spectral representations. This process reveals the intrinsic ``spectral fingerprints'' in machine-generated texts--patterns that remain invisible in time domain. Comprehensive evaluations on three well-curated datasets (RAID, EvoBench, and Domain-Shift) show that our method achieves a new state-of-the-art. It not only achieves superior accuracy but also exhibits remarkable robustness against sophisticated attacks, generalization across out-of-distribution topics and unseen evolving LLMs. Our results validate the efficacy of spectral analysis as a promising paradigm for LLM-generated texts detection.
• Abstract（参考訳）: 大規模言語モデルが漸近的に人間の言語生成に近づき、LLM生成テキストを検出するための表面レベルの意味的アーティファクトのみに依存するようになった。 既存の検出器は、対向的な摂動、ドメイン間のシフト、基礎モデルの急激な時間的進化という3つの重要な課題に直面した時にしばしば混乱する。 これらの問題に対処するため、時間周波数領域内の信号処理タスクとしてテキスト検出を再構成する新しいフレームワークである \wavedetect を提案する。 静的トークン確率分布を解析する従来の方法とは異なり、\wavedetect は生成した出力を確率信号としてモデル化し、そこで微分可能な連続ウェーブレット変換を適用して学習可能なスペクトル表現に変換する。 このプロセスは、マシン生成テキストにおける固有の ` `spectral fingerprints''-- 時間領域で見えないパターンを明らかにする。 精度の高い3つのデータセット(RAID,EvoBench,Domain-Shift)の総合的な評価は,本手法が新たな最先端を実現することを示す。 優れた精度を達成できるだけでなく、高度な攻撃に対する顕著な堅牢性、配布外トピックの一般化、そして未確認のLLMの進化を示す。 本研究は,LLM生成テキスト検出のパラダイムとして,スペクトル解析の有効性を検証した。

関連論文リスト

• Hidden Human-Like Nature of Machine-Generated Texts: Theory and Detection Enhancement [108.30620357325559]
  大規模言語モデル(LLM)が生成する機械生成テキスト(MGT)は、様々なアプリケーションでますます普及している。 既存の段落レベルの検出方法はMGTを完全に機械のような扱いで、MGTの隠れた人間的な性質を見渡す。 本研究では,隠れた人型スパンの影響を低減し,既存の検出器を改良するモデルに依存しないスタック拡張フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-22T03:17:21Z)
• Luminol-AIDetect: Fast Zero-shot Machine-Generated Text Detection based on Perplexity under Text Shuffling [9.241565393225953]
  我々は,機械生成テキスト(MGT)検出のための新しいゼロショット統計手法であるLuminol-AIDetectを提案する。 単純なランダム化テキストシャッフル手法を適用することで、結果として生じるパープレキシティの変化が、原則的、モデルに依存しない識別要因となることを示す。 我々は,Luminol-AIDetectが最先端性能を示し,FPRの最大17倍の低下を示し,従来の手法よりも安価であることを示した。
  論文  参考訳（メタデータ） (2026-04-28T16:58:55Z)
• 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)
• Human Texts Are Outliers: Detecting LLM-generated Texts via Out-of-distribution Detection [71.59834293521074]
  我々は,人間によるテキストと機械によるテキストを区別する枠組みを開発した。 提案手法は,DeepFakeデータセット上で98.3%のAUROCとAUPRを8.9%のFPR95で達成する。 コード、事前トレーニングされたウェイト、デモがリリースされる。
  論文  参考訳（メタデータ） (2025-10-07T08:14:45Z)
• Diversity Boosts AI-Generated Text Detection [51.56484100374058]
  DivEyeは、予備的な機能を使って、予測不可能がテキスト間でどのように変動するかをキャプチャする、新しいフレームワークである。 提案手法は、既存のゼロショット検出器を最大33.2%向上させ、微調整ベースラインとの競合性能を達成する。
  論文  参考訳（メタデータ） (2025-09-23T10:21:22Z)
• SpecDetect: Simple, Fast, and Training-Free Detection of LLM-Generated Text via Spectral Analysis [31.43564106945543]
  本稿では,周波数領域におけるトークンログ確率のシーケンスを解析する新しいパラダイムを提案する。 我々は、グローバルなDFT: DFTトータルエネルギーの単一で堅牢な特徴の上に構築されたSpecDetectを構築した。 我々の研究は、LLM生成したテキスト検出のための新しい、効率的で解釈可能な経路を導入し、古典的な信号処理技術がこの現代の課題に対して驚くほど強力な解決策を提供することを示した。
  論文  参考訳（メタデータ） (2025-08-15T09:13:42Z)
• Training-free LLM-generated Text Detection by Mining Token Probability Sequences [18.955509967889782]
  大規模言語モデル(LLM)は、様々な領域にまたがる高品質なテキストを生成する際、顕著な能力を示した。 統計的特徴を慎重に設計することで、固有の相違に焦点をあてたトレーニングフリーな手法は、一般化と解釈性の向上を提供する。 局所的および大域的統計を相乗化して検出を増強する,新しいトレーニング不要検出器である textbfLastde を導入する。
  論文  参考訳（メタデータ） (2024-10-08T14:23:45Z)
• Detecting Machine-Generated Long-Form Content with Latent-Space Variables [54.07946647012579]
  既存のゼロショット検出器は主に、現実世界のドメインシフトに弱いトークンレベルの分布に焦点を当てている。 本稿では,イベント遷移などの抽象的要素を機械対人文検出の鍵となる要因として組み込んだ,より堅牢な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-04T18:42:09Z)

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。