Fugu-MT 論文翻訳(概要): Latent Trajectory Discrimination for AI-Generated Text Detection

論文の概要: Latent Trajectory Discrimination for AI-Generated Text Detection

arxiv url: http://arxiv.org/abs/2607.14967v1
Date: Thu, 16 Jul 2026 13:19:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-17 17:01:33.119103
Title: Latent Trajectory Discrimination for AI-Generated Text Detection
Title（参考訳）: AIによるテキスト検出のための潜在軌道識別
Abstract要約: AI生成テキスト検出への既存のアプローチは、ドキュメントを静的オブジェクトとして扱う。本稿では,AIGTDを潜在世代軌跡を区別する問題として再検討する。本稿では,文書を順序付けられた局所単位に分割し,各単位を埋め込み空間にエンコードし,構造化およびシーケンスレベルの表現を構築するフレームワークを提案する。
参考スコア（独自算出の注目度）: 6.058906522832935
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Most existing approaches to AI-Generated Text Detection (AIGTD) treat documents as static objects and base their decisions on aggregate statistics or globally compressed embeddings. However, this perspective overlooks the inherently dynamic nature of autoregressive generation, where content evolves progressively through the latent space. In this paper, we reformulate AIGTD as the problem of distinguishing between latent generation trajectories. Instead of relying on static representations, we model how textual representations evolve across the sequence. To this end, we propose Geometric Trajectory and Contrastive Learning (GTCL), a framework that segments the document into ordered local units, encodes each unit in an embedding space, and constructs a structured and sequence-level representation. GTCL then applies contrastive learning to these trajectories to learn geometric regularities associated with the autoregressive generation. Evaluations performed on three different benchmarks and several approaches show that GTCL outperforms detection baselines consistently, which implies that explicitly modeling sequential dynamics provides robust discriminative signals across models and domains. These results suggest that modeling trajectory differences could improve detection and open up a dynamic direction that has been underexplored in previous AIGTD literature.
Abstract（参考訳）: AI-Generated Text Detection (AIGTD) に対する既存のアプローチは、ドキュメントを静的オブジェクトとして扱い、集約統計やグローバルに圧縮された埋め込みに基づく決定を下している。しかし、この視点は、コンテンツが潜伏空間を通して徐々に進化する自己回帰生成の本質的に動的な性質を見落としている。本稿では,AIGTDを潜在世代軌跡を区別する問題として再検討する。静的表現に頼る代わりに、テキスト表現がシーケンス全体にわたってどのように進化するかをモデル化する。この目的のために、文書を順序付けられた局所単位に分割し、各単位を埋め込み空間にエンコードし、構造化およびシーケンスレベルの表現を構築するフレームワークであるGeometric Trajectory and Contrastive Learning (GTCL)を提案する。 GTCLは、これらの軌道に対照的な学習を適用し、自己回帰生成に関連する幾何学的規則性を学ぶ。 3つの異なるベンチマークといくつかのアプローチで実施された評価は、GTCLが検出基準線を一貫して上回ることを示している。これらの結果から,従来のAIGTD文献では未検討であった動的方向の検出と開放が,軌道差のモデル化によって改善されることが示唆された。

関連論文リスト

LoRC: Detecting AI-Generated Images via Low-Rank Collapse in Semantic Residuals [50.157719466558696]
現代の発電機は, セマンティック・残留部分空間において, 支配的なセマンティックな方向を保ちながら, 低ランクの崩壊を示すことを示す。崩壊した残余幾何を捉えるために意味的優位性を分離するフレームワークである textbfLoRC を提案する。本手法は,複数のベンチマークで平均7.0%の精度向上を実現し,39個の未知のジェネレータ上で97.0%の精度を実現する。
論文参考訳（メタデータ） (2026-08-21T08:58:47Z)
Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-25T09:57:46Z)
SEMASIA: A Large-Scale Dataset of Semantically Structured Latent Representations [12.185380843937196]
約1,700個の事前学習された視覚モデルから抽出した潜在表現の大規模コレクションであるSEMASIAを紹介する。個々の潜在空間の概念的構造を解析し、一貫したプロトタイプのようなクラスタリングを示す。プレトレーニングデータの複雑性,特殊化,伝達学習,拡張,モデルスケールが,埋め込みの幾何学的および探索的特性とどのように関係しているかを,大規模回帰分析により解析する。
論文参考訳（メタデータ） (2026-05-10T11:42:36Z)
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)
GeoDiT: A Diffusion-based Vision-Language Model for Geospatial Understanding [14.436063587920005]
地理空間領域に適した初めての拡散型視覚言語モデルであるGeoDiTを紹介する。画像キャプション、視覚的接地、多物体検出において大きな進歩を遂げる。本研究は, 複雑な地理空間解析において, 生成過程とデータ固有の構造との整合性が, 優れた性能の鍵となることを検証する。
論文参考訳（メタデータ） (2025-12-02T07:59:46Z)
Representation Integrity in Temporal Graph Learning Methods [0.40611352512781873]
実世界のシステムは、時間とともにトポロジーが変化する動的グラフとして自然にモデル化される。我々はこの要求を表現整合性として定式化し、グラフの変化にいかに密着した変化を追随するかを測定する指標の族を導出する。次に、この指標を用いて、一般的な動的グラフ学習モデルの表現整合性の比較研究を行う。
論文参考訳（メタデータ） (2025-11-25T21:37:00Z)
GeoGNN: Quantifying and Mitigating Semantic Drift in Text-Attributed Graphs [59.61242815508687]
テキスト分散グラフ(TAG)上のグラフニューラルネットワーク(GNN)は、事前訓練された言語モデル(PLM)を使用してノードテキストを符号化し、これらの埋め込みを線形近傍アグリゲーションを通じて伝播する。本研究は,意味的ドリフトの度合いを計測する局所PCAベースの計量を導入し,異なる凝集機構が多様体構造にどのように影響するかを解析するための最初の定量的枠組みを提供する。
論文参考訳（メタデータ） (2025-11-12T06:48:43Z)
SemCORE: A Semantic-Enhanced Generative Cross-Modal Retrieval Framework with MLLMs [70.79124435220695]
セマンティック強化型Cross-mOdal Retrievalフレームワーク(SemCORE)を提案する。まず,自然言語の理解と生成に最適化された生成モデルとターゲット識別子を効果的に整合させる構造化自然言語識別器(SID)を構築した。次に、粒度の細かいターゲット識別を可能にするジェネレーティブ・セマンティック・検証(GSV)戦略を導入する。
論文参考訳（メタデータ） (2025-04-17T17:59:27Z)
Structural Alignment Improves Graph Test-Time Adaptation [17.564393890432193]
グラフテスト時間適応(GTTA)のための新しいアルゴリズムであるテスト時間構造アライメント(TSA)を導入する。 TSAは、ソースデータにアクセスすることなく、推論中にグラフ構造を整列する。合成および実世界のデータセットの実験は、TSAが非グラフTTA法と最先端GTTAベースラインの両方で一貫した性能を実証している。
論文参考訳（メタデータ） (2025-02-25T16:26:25Z)
Unified Generative and Discriminative Training for Multi-modal Large Language Models [88.84491005030316]
生成的トレーニングにより、視覚言語モデル(VLM)は様々な複雑なタスクに取り組むことができる。 CLIPのようなモデルで実証された差別的トレーニングは、ゼロショットイメージテキストの分類と検索に優れています。本稿では,両パラダイムの強みを統合する統一的アプローチを提案する。
論文参考訳（メタデータ） (2024-11-01T01:51:31Z)
GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
論文参考訳（メタデータ） (2022-07-05T04:04:37Z)

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。