論文の概要: Surrogate Substitution Preserves PHI Detectability: A Multi-Detector Equivalence Study

• arxiv url: http://arxiv.org/abs/2608.03172v2
• Date: Thu, 06 Aug 2026 08:29:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-07 17:43:06.620103
• Title: Surrogate Substitution Preserves PHI Detectability: A Multi-Detector Equivalence Study
• Title（参考訳）: サブロゲート置換によるPHI検出性:多検出器等価性の研究
• Authors: Qiming Bao, Sherry J. H. Feng, Kim Chester Eugenio, Meng Fon,
• Abstract要約: 構造保存復号化は、保護された健康情報を現実的な同型サロゲートに置き換える。 下流のPHI検出器はまだサロゲートを見つけることができるのか? 11個の検出器、7つのベンチマーク、7つの言語(1,750の文書)で、マスク付きスパンのリコールは76.1%から74.9%に変化した。 リアクションフロアとオープンソースのサロゲートベースラインは、その効果が1つのツールではなく、よく形成された置換の特性であることを示している。
• 参考スコア（独自算出の注目度）: 2.7278797508895316
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Structure-preserving de-identification replaces protected health information (PHI) with realistic same-type surrogates -- "Anna S." becomes "Maria S.", not [NAME] -- so that clinical text stays fluent and downstream tools keep working. But this only helps if the substitution does not itself corrupt the signal those tools rely on. We ask a narrow, testable question: on the spans a de-identifier actually masks, can downstream PHI detectors still find the surrogate? We introduce a paired, multi-detector evaluation protocol that (i) scores utility only on masked spans, decoupling coverage from utility; (ii) uses equivalence testing (TOST) rather than null-hypothesis significance testing, which is uninformative at our sample size (57k paired spans); and (iii) builds a surrogate-failure typology separating fixable generator defects from intrinsic detector limits. Across 11 detectors, 7 benchmarks, and 7 languages (1,750 documents), recall on masked spans moves from 76.1% to 74.9% -- a change our equivalence test shows is statistically equivalent to zero within a +/-2-point margin (p ~ 3e-9), with detector ranking preserved. The residual loss does not reflect detectors getting worse at PHI: it concentrates in malformed and out-of-distribution surrogates (truncation Chicago -> Illino, salience loss Cedars-Sinai -> Vidant). A redaction floor and an open-source surrogate baseline indicate the effect is a property of well-formed substitution, not of one tool. We release the evaluation subsets, scoring code, and an interactive dashboard at https://custodianai.pages.dev so the protocol can audit any structure-preserving transform.
• Abstract（参考訳）: 構造保存解除は、保護された健康情報(PHI)をリアルな同種のサロゲートに置き換える。「Anna S」は「マリアS」となり、[NAME]ではなく「マリアS」となる。 しかしこれは、置換がツールが依存するシグナルそのものを損なわない場合にのみ役立つ。 我々は、狭くテスト可能な疑問を問う。非識別装置が実際にマスクをかぶっているところで、下流のPHI検出器がサロゲートを見つけることができるのか? ペア化されたマルチ検出器評価プロトコルを導入する。 i) 効用をマスク付きスパンのみにスコアし,効用からカバーを分離する。 (ii) サンプルサイズ(57k対のスパン)において非形式的であるnull-hypothesis意義試験ではなく、同値試験(TOST)を用いる。 三 固有の検出器の限界から固定可能な発電機の欠陥を分離する代理欠陥型を構築。 11個の検出器、7つのベンチマーク、7つの言語(1,750の文書)にまたがって、マスク付きスパンのリコールは76.1%から74.9%に移行した。 残留損失はPHIの悪化を反映するものではなく、不整形および分布外のサロゲート(トランケーションシカゴ ->イリノ、サリエンス損失シーダース ->シナイ ->ビダント)に集中している。 リアクションフロアとオープンソースのサロゲートベースラインは、その効果が1つのツールではなく、よく形成された置換の特性であることを示している。 評価サブセット、スコア付けコード、https://custodianai.pages.devでインタラクティブダッシュボードをリリースし、プロトコルが構造保存変換を監査できるようにします。

関連論文リスト

• What the Detector Can See: Evaluating CPS Anomaly Detectors Independently of the Decision Rule [6.145872664954402]
  異常検知器は、しばしばサイバー物理システムの最後の防御線である。 これらの検出器は通常、単一の動作点における精度、リコール、F1を用いて比較される。 我々は、CPS異常検出器を2段階のパイプラインとして扱う:ステージ1は残差に観測をマッピングし、ステージ2は残差をアラームにマッピングする。 我々は,3つのCPSベンチマーク(SWaT,WADI,HAI)の5つの検出器を評価した。
  論文  参考訳（メタデータ） (2026-08-03T19:35:00Z)
• Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
  各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。 本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
  論文  参考訳（メタデータ） (2026-07-29T08:00:49Z)
• Spatially Selective Self-Training for Unsupervised Building Change Detection [8.884818023657276]
  教師なしの建物変更検出は、ラベルなしの双方向リモートセンシング画像から建築変更マスクを学習することを目的としている。 SST-CDは空間選択的自己学習フレームワークであり、完全なラベルなしの建物変更検出をエンドツーエンドの検出器学習として再構成する。 実験の結果、SST-CDはF1スコアの83.08%、91.69%、86.60%を達成し、既存の教師なしベースラインとラベルなしベースラインを上回った。
  論文  参考訳（メタデータ） (2026-06-09T12:31:16Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Unsupervised Domain Shift Detection with Interpretable Subspace Attribution [48.553902624178995]
  ドメインシフトはデータセットの確率分布の微妙な違いである。 高次元特徴空間における局所密度異常を検出するアルゴリズムを用いて,これらのシフトを同定する。 ドメインシフトを小さな機能セットにトレースすることで、シフトを解釈できます。
  論文  参考訳（メタデータ） (2026-05-15T12:58:00Z)
• Are Benchmark Tests Strong Enough? Mutation-Guided Diagnosis and Augmentation of Regression Suites [49.16055123488827]
  十分に強力なテストスイートは、報告された成功率を膨らませながら、妥当だが意味的に正しくないパッチを認めることができる。 STINGは、意味的に変化するプログラムの変種を診断ストレス要因として利用する、ターゲットテスト拡張のためのフレームワークである。 STINGは211インスタンスにまたがる1014の検証テストを生成し、パッチリージョンラインとブランチカバレッジを10.8%、9.5%向上させた。
  論文  参考訳（メタデータ） (2026-04-02T01:13:40Z)
• AI-Generated Text is Non-Stationary: Detection via Temporal Tomography [22.211451973387796]
  本稿では,信号処理タスクとして検出を再構成することによって位置情報を保存する新しい検出パラダイムであるTDTを紹介する。 RAIDベンチマークでは、TDTは0.855 AUROC(最高のベースラインよりも7.1%改善)を達成した。 我々の研究は、AI生成テキストの基本的な特徴として非定常性を確立し、時間的ダイナミクスの保存が堅牢な検出に不可欠であることを示す。
  論文  参考訳（メタデータ） (2025-08-03T13:43:34Z)
• Group-Adaptive Threshold Optimization for Robust AI-Generated Text Detection [58.419940585826744]
  本稿では,確率的AIテキスト検出のためのグループ固有しきい値最適化アルゴリズムであるFairOPTを紹介する。 属性(例えば、テキストの長さと書き込みスタイル)に基づいてデータをサブグループに分割し、FairOPTを実装して、各グループに対する決定しきい値の学習を行い、不一致を低減しました。 我々のフレームワークは、後処理によるAI生成コンテンツ検出において、より堅牢な分類の道を開く。
  論文  参考訳（メタデータ） (2025-02-06T21:58:48Z)
• Can AI-Generated Text be Reliably Detected? [50.95804851595018]
  大規模言語モデル(LLM)は、様々なアプリケーションで非常によく機能します。 盗作、偽ニュースの発生、スパムなどの活動においてこれらのモデルが誤用される可能性があることは、彼らの責任ある使用に対する懸念を引き起こしている。 我々は、攻撃者の存在下で、これらのAIテキスト検出装置の堅牢性を強調テストする。
  論文  参考訳（メタデータ） (2023-03-17T17:53:19Z)
• Mitigating the Mutual Error Amplification for Semi-Supervised Object Detection [92.52505195585925]
  擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。 他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
  論文  参考訳（メタデータ） (2022-01-26T03:34:57Z)

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。