論文の概要: DWT-Fusion: A Signal-Based Framework for Training-Free LLM-Generated Text Detection

• arxiv url: http://arxiv.org/abs/2607.22026v1
• Date: Fri, 24 Jul 2026 06:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.067664
• Title: DWT-Fusion: A Signal-Based Framework for Training-Free LLM-Generated Text Detection
• Title（参考訳）: DWT-Fusion: 無訓練LDM生成テキスト検出のための信号ベースフレームワーク
• Abstract要約: LLM生成テキストを検出するトレーニングフリーな信号ベースフレームワークであるDWT-Fusionを紹介する。 プロキシ因果言語モデルによって生成されるトークンレベルのログ確率シーケンスを分析する。 検出信号は局所的な確率力学から導かれる。
• 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: Detecting LLM-generated text remains challenging under zero-shot and training-free conditions, especially when detectors must generalize across datasets, domains, and unseen generators. While existing training-free approaches exploit language-model statistics as detection signals, they typically characterize a text through global measures that summarize overall model behavior. Consequently, potentially informative local and multiscale variations in token-level predictability may remain underutilized. Motivated by this observation, we introduce DWT-Fusion, a training-free signal-based framework for detecting LLM-generated text using discrete wavelet analysis of token-level log-probability sequences produced by a proxy causal language model. The proposed framework analyzes these sequences through wavelet-based multiresolution signal representations and derives detection signals from localized probability dynamics. We further evaluate four training-free voting variants, including equal-weight hard voting, equal-weight soft voting, calibration-weighted hard voting, and calibration-weighted soft voting, to combine multiple wavelet configurations without training a supervised meta-classifier. We evaluate the framework on HC3, M4, and MAGE using GPT-Neo-2.7B, GPT-J-6B, Falcon-7B, and LLaMA-3-8B as proxy models. The best single wavelet configurations achieve AUROC values of 0.9872, 0.8185, and 0.7138 on HC3, M4, and MAGE, respectively. With calibration-weighted voting, the best ensemble variants further improve AUROC to 0.9919, 0.8477, and 0.7471. These findings show that DWT-based multiresolution scoring and calibration-guided voting fusion provide effective and interpretable signals for training-free LLM-generated text detection.
• Abstract（参考訳）: LLM生成テキストの検出は、特に検出器がデータセット、ドメイン、見えないジェネレータをまたいで一般化する必要がある場合、ゼロショットおよびトレーニングフリーな条件下では困難である。 既存のトレーニングフリーアプローチでは、言語モデル統計を検出信号として活用するが、一般的には、全体モデル動作を要約したグローバルな測度を通じてテキストを特徴付ける。 その結果、トークンレベルの予測可能性の潜在的に有意な局所的およびマルチスケールな変動は、未利用のままである。 DWT-Fusionは,代用因果言語モデルにより生成されたトークンレベルの対数確率列の離散ウェーブレット解析を用いて,LLM生成テキストを検出する学習自由な信号ベースフレームワークである。 提案フレームワークはウェーブレットに基づくマルチレゾリューション信号表現を用いてこれらのシーケンスを解析し,局所的な確率力学から検出信号を導出する。 さらに,同級者投票,同級者投票,校正級者投票,校正級者投票,校正級者投票の4種類について,教師付きメタ分類器を訓練することなく複数のウェーブレット構成を組み合わせることを検討した。 GPT-Neo-2.7B, GPT-J-6B, Falcon-7B, LLaMA-3-8Bをプロキシモデルとして, HC3, M4, MAGEのフレームワークの評価を行った。 最高の単一ウェーブレット構成は、それぞれHC3、M4、MAGEで0.9872、0.8185、0.7138のAUROC値を達成する。 キャリブレーションによる投票では、最高のアンサンブルの変種はAUROCを0.9919、0.8477、0.7471に改善した。 これらの結果から,DWTによる多分解能スコアリングと校正誘導型投票融合は,LLM生成テキスト検出に有効かつ解釈可能な信号を提供することがわかった。

関連論文リスト

• Multi-Level Contextual Token Relation Modeling for Machine-Generated Text Detection [105.1403233464793]
  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する。 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、複雑なモデルベース法よりも実用的であることが多い。 MGT検出のための多レベルコンテキストトークン関係モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-15T15:55:58Z)
• Beyond Perplexity: Character Distribution Signatures and the MDTA Benchmark for AI Text Detection [0.34998703934432673]
  トレーニング不要のAIテキスト検出方法は、主にモデルログ確率に依存し、BinocularsやDNA-DetectLLMといったアプローチを通じて強力なパフォーマンスを達成する。 文字分布シグネチャに基づく代替検出信号を導入する。 我々は、大規模ドメインバランスのコーパスに基づいて訓練されたAIモデルが、人間がドメインに特化された分布を示す一方で、グローバルなキャラクタパターンを近似していることを示す理論的基盤を提供する。
  論文  参考訳（メタデータ） (2026-05-03T00:10:15Z)
• LLM-Enhanced Log Anomaly Detection: A Comprehensive Benchmark of Large Language Models for Automated System Diagnostics [0.0]
  大規模言語モデル(LLM)は、ログ理解のための有望な新しいアプローチを提供する。 LLMはラベル付きトレーニングデータを必要とせずに、目覚ましいゼロショット機能を示す。 本研究は,ログ異常検出方法を選択するための実用的なガイドラインを提供する。
  論文  参考訳（メタデータ） (2026-04-14T02:51:48Z)
• SERSEM: Selective Entropy-Weighted Scoring for Membership Inference in Code Language Models [1.327416973220814]
  記憶信号の増幅のために非形式的統語的ボイラプレートを抑える新しいホワイトボックス攻撃フレームワークであるSERSEMを提案する。 以上の結果から,人間中心の符号化異常に注目することは,列レベルの確率平均よりも格段に頑健な暗記の指標となることが示唆された。
  論文  参考訳（メタデータ） (2026-04-01T17:03:58Z)
• 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)
• When Punctuation Matters: A Large-Scale Comparison of Prompt Robustness Methods for LLMs [55.20230501807337]
  本報告では, 統一実験フレームワーク内での迅速なロバスト性向上のための5つの手法の体系的評価を行う。 Llama、Qwen、Gemmaファミリーの8つのモデルに対して、Natural Instructionsデータセットから52のタスクをベンチマークする。
  論文  参考訳（メタデータ） (2025-08-15T10:32:50Z)
• GrAInS: Gradient-based Attribution for Inference-Time Steering of LLMs and VLMs [56.93583799109029]
  GrAInSは推論時ステアリングのアプローチで、言語のみのモデルと視覚言語の両方のモデルとタスクで動作する。 推論中、GrAInSはトークンレベルの属性信号によって誘導されるトランスフォーマー層で隠されたアクティベーションを隠蔽し、アクティベーションを正規化し、表現スケールを保存する。 微調整と既存のステアリングベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-24T02:34:13Z)
• Steering Conceptual Bias via Transformer Latent-Subspace Activation [0.0]
  本研究では,言語モデル(LLM)における潜在部分空間の活性化が,特定のプログラミング言語に対して科学的コード生成を促進できるかどうかを検討する。 C++ または CPP トークンに対して最も活性の高い静的重みを摂動させるニューロンの寄与法は脆く、限定的な一般化を示した。 勾配調整型アダプティブアクティベーションステアリングフレームワーク(G-ACT)を開発した。
  論文  参考訳（メタデータ） (2025-06-23T17:56:34Z)
• Entropy-Guided Watermarking for LLMs: A Test-Time Framework for Robust and Traceable Text Generation [58.85645136534301]
  サンプルテキストの既存の透かし方式は、テキスト品質の維持と各種攻撃に対する堅牢な検出とのトレードオフに直面していることが多い。 累積透かしエントロピー閾値を導入することにより,検出性とテキスト品質を両立させる新しい透かし方式を提案する。
  論文  参考訳（メタデータ） (2025-04-16T14:16:38Z)
• DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature [143.5381108333212]
  大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。 次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。 我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
  論文  参考訳（メタデータ） (2023-01-26T18:44:06Z)

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。