論文の概要: Detecting LLM-Generated Tokens in Human--LLM Coauthored Text
- arxiv url: http://arxiv.org/abs/2607.21458v1
- Date: Thu, 23 Jul 2026 16:01:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.472633
- Title: Detecting LLM-Generated Tokens in Human--LLM Coauthored Text
- Title（参考訳）: 人体におけるLLM生成トークンの検出--LLM共用テキスト
- Abstract要約: LLM生成テキストを検出する既存の方法は、主に文書レベルの分類に焦点を当てており、LLMが生成するテキストのどの部分を識別できない。
本稿では,この緊急ニーズに対処する新しい手法を提案する。
提案手法は,現代言語モデルの自然な単位であるトークンレベルで動作し,既存のトークンレベルの検出スコアに基づいて構築する。
- 参考スコア（独自算出の注目度）: 11.447769496973137
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rise of human-AI collaborative writing has created a growing need for fine-grained detection methods that support localizing likely LLM-generated content in mixed-authorship documents. Existing methods for detecting LLM-generated text mainly focus on document-level classification and cannot identify which parts of the text are generated by LLMs. This paper introduces a new method to address this urgent need. Our method operates at the token level, the natural unit of modern language models, and builds on existing token-level detection scores. The key idea is to smooth adjacent token scores to reduce their variability, while using an adaptive Lepski-type rule to select the bandwidth according to the local authorship structure. Our method is simple to implement and does not require token-level labeled data for training. Theoretically, we characterize this trade-off and show that the proposed method achieves favorable mean square error performance in estimating the underlying signal. Empirically, we demonstrate strong performance of our method against a wide range of baselines in both synthetic datasets and a realistic dataset. We deploy a publicly accessible website that implements the methods as well.
- Abstract（参考訳）: 人間-AI共同執筆の台頭により、混合オーサシップ文書におけるLLM生成の可能性のあるコンテンツのローカライズを支援する、きめ細かい検出方法の必要性が高まっている。
LLM生成テキストを検出する既存の方法は、主に文書レベルの分類に焦点を当てており、LLMが生成するテキストのどの部分を識別できない。
本稿では,この緊急ニーズに対処する新しい手法を提案する。
提案手法は,現代言語モデルの自然な単位であるトークンレベルで動作し,既存のトークンレベルの検出スコアに基づいて構築する。
鍵となるアイデアは、局所的なオーサシップ構造に従って帯域幅を選択するために適応的なLepski型ルールを使用して、隣接するトークンスコアをスムーズにすることで、その変動性を減少させることである。
本手法は実装が簡単で,トークンレベルのラベル付きデータを必要としない。
理論的には、このトレードオフを特徴付け、提案手法が基礎となる信号の推定において好適な平均二乗誤差性能を実現することを示す。
実験により,本手法は,合成データセットと現実的データセットの両方において,幅広いベースラインに対して強い性能を示す。
メソッドを実装するWebサイトも公開しています。
関連論文リスト
- Segmenting Human-LLM Co-authored Text via Change Point Detection [14.004322032566217]
大規模言語モデル(LLM)の台頭は、人間の書き起こしたテキストとLLM生成したテキストを区別する緊急の必要性を生み出している。
既存の検出器は通常、通路全体のバイナリ分類を提供する。
我々は,テキストを人間とLLMの著作物に分割するアルゴリズムを提案する。
論文 参考訳（メタデータ） (2026-05-05T13:08:55Z) - 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) - RepreGuard: Detecting LLM-Generated Text by Revealing Hidden Representation Patterns [50.401907401444404]
大規模言語モデル(LLM)は、誤用を防止し、信頼できるAIシステムを構築するために不可欠である。
本稿では,統計量に基づく効率的な検出手法であるRepreGuardを提案する。
実験結果から、RepreGuardは、平均94.92%のAUROCですべてのベースラインでID(in-distriion)とOOD(OOD)の両方のシナリオでパフォーマンスが向上していることが示された。
論文 参考訳（メタデータ） (2025-08-18T17:59:15Z) - Resource-Efficient Adaptation of Large Language Models for Text Embeddings via Prompt Engineering and Contrastive Fine-tuning [3.9914181590063884]
大規模言語モデル(LLM)は自然言語処理(NLP)の基盤となっている。
プリトレーニングされたデコーダのみのLLMの適応戦略について検討する。
論文 参考訳（メタデータ） (2025-07-30T14:49:30Z) - Your Language Model Can Secretly Write Like Humans: Contrastive Paraphrase Attacks on LLM-Generated Text Detectors [77.82885394684202]
テキスト検出を効果的に欺く訓練不要な方法である textbfContrastive textbfParaphrase textbfAttack (CoPA) を提案する。
CoPAは、大規模言語モデルによって生成される人間のような分布とは対照的に、補助的な機械的な単語分布を構築している。
我々の理論的分析は、提案された攻撃の優越性を示唆している。
論文 参考訳（メタデータ） (2025-05-21T10:08:39Z) - Who Wrote This? The Key to Zero-Shot LLM-Generated Text Detection Is GECScore [51.65730053591696]
我々は,人文テキストがLLM生成テキストよりも文法的誤りを多く含んでいるという観察に基づく,シンプルで効果的なブラックボックスゼロショット検出手法を提案する。
実験結果から,本手法はゼロショット法や教師あり手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2024-05-07T12:57:01Z) - LLM-Detector: Improving AI-Generated Chinese Text Detection with
Open-Source LLM Instruction Tuning [4.328134379418151]
既存のAI生成テキスト検出モデルでは、ドメイン内のオーバーフィットが難しくなる。
LLM-Detectorは文書レベルと文レベルのテキスト検出のための新しい手法である。
論文 参考訳（メタデータ） (2024-02-02T05:54:12Z) - Token Prediction as Implicit Classification to Identify LLM-Generated
Text [37.89852204279844]
本稿では,テキスト生成に関わる大きな言語モデル (LLM) を識別するための新しいアプローチを提案する。
ベースLMに新たな分類層を追加する代わりに、分類タスクを次の注意すべき予測タスクとして再設定する。
実験のバックボーンとしてText-to-Text Transfer Transformer (T5) モデルを用いる。
論文 参考訳（メタデータ） (2023-11-15T06:33:52Z) - SeqXGPT: Sentence-Level AI-Generated Text Detection [62.3792779440284]
大規模言語モデル(LLM)を用いた文書の合成による文レベル検出の課題について紹介する。
次に,文レベルのAIGT検出機能として,ホワイトボックスLEMのログ確率リストを利用した textbfSequence textbfX (Check) textbfGPT を提案する。
論文 参考訳（メタデータ） (2023-10-13T07:18:53Z) - Towards Codable Watermarking for Injecting Multi-bits Information to LLMs [86.86436777626959]
大規模言語モデル(LLM)は、流布とリアリズムを増大させるテキストを生成する。
既存の透かし方式はエンコーディング非効率であり、多様な情報エンコーディングニーズに柔軟に対応できない。
テキスト透かしを複数ビットでカスタマイズ可能な情報を運ぶことができるCTWL (Codable Text Watermarking for LLMs) を提案する。
論文 参考訳（メタデータ） (2023-07-29T14:11:15Z) - Classifiers are Better Experts for Controllable Text Generation [63.17266060165098]
提案手法は, PPLにおける最近のPPLM, GeDi, DExpertsよりも有意に優れており, 生成したテキストの外部分類器に基づく感情の精度が高いことを示す。
同時に、実装やチューニングも簡単で、制限や要件も大幅に少なくなります。
論文 参考訳（メタデータ） (2022-05-15T12:58:35Z)
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。