論文の概要: Rethinking AI-Generated Text Detection: A Strong Baseline and the Distribution-Shift Problem That Remains

• arxiv url: http://arxiv.org/abs/2607.03680v1
• Date: Sat, 04 Jul 2026 03:20:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.679361
• Title: Rethinking AI-Generated Text Detection: A Strong Baseline and the Distribution-Shift Problem That Remains
• Title（参考訳）: AI生成テキスト検出を再考する - 強いベースラインと残る分散シフト問題
• Authors: Zhuoer Shen, Mingyi Wang, Shaofeng Zou, Yuheng Bu,
• Abstract要約: 完全に微調整されたRoBERTaは、それらのベンチマークが構築されている特殊な検出器と一致しているか、あるいは超えていることを示す。 残る課題は、分散シフトです。 分散シフトの下で、検出器は高信頼マシンラベルを人書きテキストに割り当てることができる。
• 参考スコア（独自算出の注目度）: 27.078441680572254
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent AI-generated text detection work often introduces a new benchmark together with a specialized detector tailored to it. We revisit this practice from a baseline-first perspective. Across several benchmarks, we show that a plain, fully fine-tuned RoBERTa matches or exceeds the specialized detectors those benchmarks are built around. This suggests that much of the recent architectural complexity is not what drives strong in-distribution detection. The remaining challenge is the distribution shift. The same strong baseline degrades sharply when the topic domain or generating model changes at test time, and simply adding more source data does not close the gap. We identify a key failure mode: under distribution shift, the detector can assign high-confidence machine labels to human-written text from unseen domains. We then study two lightweight domain adaptation methods to address this problem: $K$-shot adaptation with first-order MAML over LoRA adapters, and a per-sample confidence-weighted ensemble built on top of the adapted detector. Overall, our results suggest that progress in AI-generated text detection should be measured not only by in-distribution performance, but also by robustness under distribution shift.
• Abstract（参考訳）: 最近のAI生成テキスト検出作業は、しばしばそれに合わせて特別な検出器と共に新しいベンチマークを導入する。 ベースラインファーストの観点から、このプラクティスを再考する。 いくつかのベンチマークで、通常のRoBERTaと完全に調整されたRoBERTaは、それらのベンチマークが構築されている特別な検出器と一致しているか、あるいは超えていることを示す。 これは、最近のアーキテクチャの複雑さの多くは、強力な分散検出を駆動するものではないことを示唆している。 残る課題は、分散シフトです。 同じ強いベースラインは、トピックドメインやモデルの生成がテスト時に変化すると大幅に低下します。 分散シフトの下で、検出器は、高信頼のマシンラベルを、見えないドメインから人書きのテキストに割り当てることができる。 次に、この問題を解決するために、LoRAアダプタ上の一階MAMLを用いた$K$-shot適応法と、適応検出器上に構築されたサンプルごとの信頼度重み付けアンサンブルの2つの軽量ドメイン適応法について検討する。 以上の結果から,AIによるテキスト検出の進歩は,分配性能だけでなく,分散シフト下での堅牢性によっても測定されるべきであることが示唆された。

関連論文リスト

• Hitting a Moving Target: Test-Time Adaptation for AI Text Detection under Continual Distribution Shift [7.332470421231734]
  AIテキスト検出のためのデプロイされたアプローチは、人書きテキストとAI生成テキストの両方のラベル付きデータセットへのトレーニング時間アクセスに依存することが多い。 本研究では,半教師付き学習を用いたテスト時間適応手法を提案する。 テストタイムの適応は、AIテキスト検出のための将来性のあるフレームワークである、と私たちは確信しています。
  論文  参考訳（メタデータ） (2026-06-23T20:37:18Z)
• Log-Likelihood, Simpson's Paradox, and the Detection of Machine-Generated Text [0.039998518782208774]
  本研究では,人間と機械のテキストを区別するトークンレベルの信号が,検出モデルの隠れた空間にわたって一様でないことを示す。 ベイズ決定理論に基づく学習的局所校正ステップを導入する。 この単一の介入は、すべてのベースライン検出器と、私たちが考慮しているすべてのデータセット間の検出性能を劇的に、一貫して改善します。
  論文  参考訳（メタデータ） (2026-05-07T13:59:07Z)
• Reward-Guided Semantic Evolution for Test-time Adaptive Object Detection [82.2968697030677]
  Grounding DINOのような視覚言語モデル(VLM)を用いたオープン語彙オブジェクト検出は、テスト時間分布シフト時の性能劣化に悩まされる。 Reward-Guided Semantic Evolution (RGSE) は、テスト時にテキストの埋め込みを直接洗練するトレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-05-06T06:17:41Z)
• Why AI-Generated Text Detection Fails: Evidence from Explainable AI Beyond Benchmark Accuracy [0.9169660430821364]
  本稿では,言語機能工学,機械学習,説明可能なAI技術を統合するフレームワークを提案する。 SHAPに基づく説明を用いて、最も影響力のある特徴がデータセットによって著しく異なることを示す。 この知識は、さまざまな設定で堅牢なAI検出器を構築するのに役立ちます。
  論文  参考訳（メタデータ） (2026-03-24T12:46:15Z)
• Detecting the Machine: A Comprehensive Benchmark of AI-Generated Text Detectors Across Architectures, Domains, and Adversarial Conditions [0.0]
  既存のベンチマークでは、理想的な条件下で単一のデータセット上の1つの検出器を評価する。 本稿では,2つのコーパスにまたがる多様な検出手法を評価するベンチマークを提案する。 その結果, 変圧器モデルでは, ほぼ完全な分散性能が得られるが, ドメインシフト下では劣化することがわかった。
  論文  参考訳（メタデータ） (2026-03-18T09:27:27Z)
• 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)
• DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
  タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。 そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。 MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
  論文  参考訳（メタデータ） (2025-09-15T10:59:57Z)
• Robust AI-Generated Text Detection by Restricted Embeddings [6.745955674138081]
  我々は、AI生成したテキストの検出器の堅牢性、すなわち、目に見えないジェネレータやセマンティックドメインに転送する能力に焦点を当てる。 有害な線形部分空間の除去は、ドメイン固有のスプリアス機能を無視したロバストな分類器の訓練に役立つことを示す。 頭部および座標に基づく部分空間除去のための最良のアプローチは、平均分布分布(OOD)分類スコアを9%、特に14%向上させる。
  論文  参考訳（メタデータ） (2024-10-10T16:58:42Z)
• Hard-normal Example-aware Template Mutual Matching for Industrial Anomaly Detection [78.734927709231]
  異常検出器は、クエリー画像の未知の欠陥を検出し、ローカライズするために工業製造で広く使われている。 これらの検出器は異常のないサンプルで訓練され、ほとんどの通常のサンプルと区別された異常を成功させた。 しかし、ハードノーマルな例は、ほとんどの通常のサンプルから遠く離れており、しばしば既存の方法によって異常と誤認される。
  論文  参考訳（メタデータ） (2023-03-28T17:54:56Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)

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。