論文の概要: SciFigPlag-Bench: A Benchmark for Provenance-Aware Scientific Figure Plagiarism Detection

• arxiv url: http://arxiv.org/abs/2607.29124v1
• Date: Fri, 31 Jul 2026 07:52:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.64904
• Title: SciFigPlag-Bench: A Benchmark for Provenance-Aware Scientific Figure Plagiarism Detection
• Title（参考訳）: SciFigPlag-Bench: 科学的フィギュアプラジャリズム検出のためのベンチマーク
• Abstract要約: SciFigPlag-Benchは、学術文献における科学的数字に対する証明を意識した推論のベンチマークである。 我々は、再利用されたものを変換の仕方から分離する要因分類を導入した。 このベンチマークは、ペアワイズ検出、ソース属性、階層的再利用型分類、再利用対応ローカライゼーションの4つの診断タスクをサポートする。
• 参考スコア（独自算出の注目度）: 5.7769059716698665
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Scientific figures often encode the visual evidence behind scientific findings, yet figure plagiarism remains underexplored as a benchmarked multimodal evaluation problem. We present SciFigPlag-Bench, a benchmark for provenance-aware reasoning over scientific figures in scholarly documents. Unlike general image-similarity or image-forensics benchmarks, SciFigPlag-Bench evaluates whether a suspicious figure reuses evidence from a specific source figure, how the reused content has been transformed, and where the reused evidence appears. We introduce a factorized taxonomy that separates what is reused from how it is transformed, covering material-preserving reuse, such as full-figure and subfigure reuse, as well as abstract-content reuse, such as data re-expression and structural redraw. Guided by this taxonomy, we construct a hybrid benchmark with 2,582 positive pairs and 2,541 negative pairs, combining documented real-world cases, taxonomy-guided synthetic examples, and visually similar negatives. The benchmark supports four diagnostic tasks: pairwise detection, source attribution, hierarchical reuse-type classification, and reuse correspondence localization. Experiments with diverse vision-language models establish initial baselines and reveal persistent challenges in fine-grained provenance reasoning, reuse-type understanding, and spatial evidence grounding.
• Abstract（参考訳）: 科学的数字はしばしば科学的発見の背後にある視覚的証拠を符号化するが、フィギュアプラジャリズムは、ベンチマークされたマルチモーダル評価問題として未発見のままである。 SciFigPlag-Benchは、学術文献における科学的数字に対する証明を意識した推論のベンチマークである。 SciFigPlag-Benchは、一般的な画像類似性や画像フォレンジスベンチマークとは異なり、疑わしい人物が特定の情報源から証拠を再利用したかどうか、再利用されたコンテンツがどのように変換されたか、そして再利用された証拠がどこに現れるかを評価する。 本研究では,データ再表現や構造的再帰といった抽象的内容の再利用だけでなく,フルフィギュアやサブフィギュアといった物質保存再利用を網羅し,その再利用方法から再利用されるものを分離する因子分類を導入する。 この分類法により,2,582対,2,541対の正の負の負の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の このベンチマークは、ペアワイズ検出、ソース属性、階層的再利用型分類、再利用対応ローカライゼーションの4つの診断タスクをサポートする。 多様な視覚言語モデルによる実験は、初期ベースラインを確立し、きめ細かい前駆的推論、再利用型理解、空間的証拠の根拠における永続的な課題を明らかにする。

関連論文リスト

• XFeat Revisited: Reproducibility and Evaluation of a Lightweight Image Matcher [0.0]
  XFeatは、リソース制約のあるハードウェア上で、画像間の対応点を効率的に識別するために設計された軽量な特徴抽出器およびマッチング器である。 論文と補足資料に基づいてアーキテクチャを再実装し、著者がリリースしたチェックポイントを再評価し、追加のアーキテクチャ改善を実施します。 経験的に、再現されたモデルは密接に一致し、場合によっては再評価された元のチェックポイントよりも優れている。
  論文  参考訳（メタデータ） (2026-08-10T12:18:02Z)
• HiEviDR-Bench: A Benchmark for Hierarchical Evidence Aggregation in Deep Research [52.87128503345243]
  我々は,Deep Researchにおける階層的エビデンス・アグリゲーションを評価するためのベンチマークであるHiEviDR-Benchを紹介する。 HiEviDR-Benchは、エビデンスの選択、クロスソースリンク、アグリゲーションをキャプチャする明示的なエビデンスグラフを持つ各インスタンスを表す。 報告品質,エビデンストレーサビリティ,引用精度,クレーム検証,回答正当性という5次元のトレーサビリティ指向評価フレームワークを開発した。
  論文  参考訳（メタデータ） (2026-07-27T23:50:46Z)
• Scientific Claim-Source Retrieval Revisited: A Comparative Study of Style Transfer and Re-Ranking [17.04255262988263]
  We present a comparative study of scientific claim-source search on the CheckThat! 本結果から,請求項を英語に翻訳することで,原文とバイリンガルのクレーム表現に優れることがわかった。 本稿では,属性,エンティティ重複,検証に基づく推論に基づく新しい3つのモデルを提案する。
  論文  参考訳（メタデータ） (2026-07-17T11:43:37Z)
• PlantMarkerBench: A Multi-Species Benchmark for Evidence-Grounded Plant Marker Reasoning [10.873172077806798]
  PlantMarkerBenchは、フルテキストの生物学的論文から文献的な植物マーカーのエビデンスを解釈するベンチマークである。 4つの植物種にまたがり、5,550件の文章レベルのエビデンス・インスタンスが含まれており、マーカーのエビデンス、エビデンス・タイプ、サポートの強さを示す。 種々にわたる多様なオープンソースおよびクローズドソースの言語モデルをベンチマークし、戦略を推進します。
  論文  参考訳（メタデータ） (2026-05-11T05:57:15Z)
• CiteAudit: You Cited It, But Did You Read It? A Benchmark for Verifying Scientific References in the LLM Era [51.63024682584688]
  大規模言語モデル (LLM) は新たなリスクを導入している。 本稿では,科学文献における幻覚的引用のための総合的なベンチマークおよび検出フレームワークについて紹介する。 我々のフレームワークは、精度と解釈可能性の両方において、先行手法を著しく上回っている。
  論文  参考訳（メタデータ） (2026-02-26T19:17:39Z)
• SciClaimEval: Cross-modal Claim Verification in Scientific Papers [16.873180911172838]
  本稿では,クレーム検証タスクのための新しい科学的データセットであるSciClaimEvalを紹介する。 SciClaimEvalは、発行された論文から直接抽出された反論を含む、真正な主張を特徴としている。 反証クレームを作成するために,我々は,主張を変更するか,あるいは大きな言語モデル(LLM)に頼らずに,支持するエビデンス(図や表)を変更する新しいアプローチを導入する。
  論文  参考訳（メタデータ） (2026-02-07T16:58:55Z)
• Beyond Memorization: Reasoning-Driven Synthesis as a Mitigation Strategy Against Benchmark Contamination [77.69093448529455]
  本稿では,arXiv論文から直接研究レベルのQAを合成するために,無限にスケーラブルなフレームワークを用いて実証的研究を行う。 各種サイズ,開発者,リリース日といったモデルについて,知識カットオフ日に近い性能劣化の欠如を評価した。 合成パイプラインで要求される多段階の推論は、浅い記憶よりも深い複雑さをもたらしたと仮定する。
  論文  参考訳（メタデータ） (2025-08-26T16:41:37Z)
• Do I look like a `cat.n.01` to you? A Taxonomy Image Generation Benchmark [63.97125827026949]
  本稿では、ゼロショット設定でテキスト・ツー・イメージ・モデルを用いて分類概念の画像を生成する可能性について検討する。 分類概念を理解し、関連する高品質の画像を生成するモデルの能力を評価するベンチマークが提案されている。 9つの新しい分類関連テキスト・ツー・イメージ・メトリクスと人間のフィードバックを用いて12のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-13T13:37:54Z)
• Dual-View Data Hallucination with Semantic Relation Guidance for Few-Shot Image Recognition [49.26065739704278]
  本稿では、意味的関係を利用して、画像認識のための二重視点データ幻覚を導出するフレームワークを提案する。 インスタンスビューデータ幻覚モジュールは、新規クラスの各サンプルを幻覚して新しいデータを生成する。 プロトタイプビューデータ幻覚モジュールは、意味認識尺度を利用して、新しいクラスのプロトタイプを推定する。
  論文  参考訳（メタデータ） (2024-01-13T12:32:29Z)
• Graph-based Retrieval for Claim Verification over Cross-Document Evidence [0.6853165736531939]
  グラフに基づくアプローチは、断片化された証拠を特定するのに役立つと推測する。 我々はこの仮説を、コーパス全体にわたって、上述したエンティティによってテキスト部分を相互接続する大きなグラフを構築して検証した。 実験により,グラフ構造を活用することは,クレームに関連する通路のごく一部を特定する上で有益であることが確認された。
  論文  参考訳（メタデータ） (2021-09-13T14:54:26Z)
• On the Replicability of Combining Word Embeddings and Retrieval Models [71.18271398274513]
  我々は、Fisherカーネルフレームワークの使用に関する魅力的な仮説を実証しようとする最近の実験を再現する。 具体的には、von Mises-Fisher (VMF) 分布の混合モデルを使用することは、VMF とベクトル空間モデルの両方の余弦距離に焦点をあてることによって有益である。
  論文  参考訳（メタデータ） (2020-01-13T19:01:07Z)

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。