論文の概要: MD-ProTector: Positioning Multiple Data-Driven Prototypes for LLM-Generated Text Detection
- arxiv url: http://arxiv.org/abs/2608.10459v1
- Date: Tue, 11 Aug 2026 04:14:10 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-12 19:14:45.896653
- Title: MD-ProTector: Positioning Multiple Data-Driven Prototypes for LLM-Generated Text Detection
- Title（参考訳）: MD-ProTector:LLM生成テキスト検出のための複数データ駆動プロトタイプの位置決め
- Abstract要約: エンコーダ埋め込み空間に複数のトレーニング可能な参照ベクトルを持つ各クラスを表すMD-ProTectorを提案する。
これらのプロトタイプは、同じクラス内の異なるテキストのグループに対して、別々の決定境界を提供する。
MD-ProTectorは、クラスレベルの構造とクラス内の変動を分離するプロトタイプ位置決め損失でこの問題に対処する。
- 参考スコア（独自算出の注目度）: 11.23346080242434
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As LLM-generated content becomes more sophisticated, detection systems for distinguishing those texts from human-written text must operate at scale while handling diverse writing styles, domains, languages, and generator models. Input-only encoder detectors are suitable for practical deployment setting, but standard binary classification supplies only the class label and does not explicitly organize the substantial variation within either class. We propose MD-ProTector, which represents each class with multiple trainable reference vectors in the encoder embedding space, referred to as prototypes. These prototypes provide separate decision boundaries for different groups of texts within the same class. However, adding multiple prototypes alone does not determine which variation each prototype should represent. MD-ProTector addresses this problem with Prototype Positioning loss, which separates class-level structure from the within-class variation that differentiates individual prototypes. Evaluated across five settings from three large-scale benchmarks covering domain, generator, language, and adversarial variation, MD-ProTector achieves the highest AvgRec on MAGE CDCM and RAID and the highest AUROC and lowest FPR95 on RAID among the compared encoder-based methods.
- Abstract（参考訳）: LLM生成コンテンツがより洗練されるにつれて、人文テキストと区別するための検出システムは、多様な書体スタイル、ドメイン、言語、ジェネレータモデルを扱いながら、大規模に操作する必要がある。
入力専用エンコーダ検出器は実際の配置設定に適しているが、標準バイナリ分類はクラスラベルのみを提供し、どちらのクラスにも実質的な変動を明示的に整理しない。
プロトタイプと呼ばれるエンコーダ埋め込み空間において,複数のトレーニング可能な参照ベクトルを持つ各クラスを表すMD-ProTectorを提案する。
これらのプロトタイプは、同じクラス内の異なるテキストのグループに対して、別々の決定境界を提供する。
しかし、複数のプロトタイプを単独で追加しても、それぞれのプロトタイプがどのバリエーションを表現するべきかは決定できない。
MD-ProTectorは、クラスレベルの構造と、個々のプロトタイプを区別するクラス内部のバリエーションを分離するプロトタイプ配置損失(Prototype Positioning loss)でこの問題に対処する。
MD-ProTectorは、ドメイン、ジェネレータ、言語、および逆数の変化をカバーする3つの大規模ベンチマークから評価され、MAGE CDCMおよびRAID上では最高AvgRec、比較エンコーダベースの手法ではRAID上では最高AUROC、最低FPR95を達成している。
関連論文リスト
- Text-Guided Multimodal Unified Industrial Anomaly Detection [71.95719669933312]
そこで本研究では,テキストセマンティクスによって導かれる多モーダル産業異常検出フレームワークを提案する。
フレームワークは、Geometry-Aware Cross-Modal MapperとObject-Conditioned Textual Feature Adaptorの2つのコアモジュールで構成されている。
本手法は,教師なし環境下での分類とローカライゼーションにおける最先端性能を実現する。
論文 参考訳（メタデータ） (2026-04-24T13:21:22Z) - Learning Multi-Modal Prototypes for Cross-Domain Few-Shot Object Detection [25.15191353465313]
Cross-Domain Few-Shot Object Detection (CD-FSOD) は、いくつかのラベル付き例があるだけで、目に見えないターゲットドメインで新しいクラスを検出することを目的としている。
本稿では,LMPと呼ばれるマルチモーダルプロトタイプを目標領域から抽出した視覚的特徴とテキストガイダンスを結合して学習するデュアルブランチ検出器を提案する。
論文 参考訳（メタデータ） (2026-02-21T12:10:48Z) - Minimizing Mismatch Risk: A Prototype-Based Routing Framework for Zero-shot LLM-generated Text Detection [15.739137990102991]
ゼロショット法は、サロゲートモデルを用いて統計的シグネチャを演算することでLLM生成テキストを検出する。
既存のアプローチは通常、未知のソースに関係なく、すべての入力に対して固定サロゲートを使用する。
本稿では,2段階の学習を通じてテキスト検出親和性を学習するプロトタイプベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-01T14:02:51Z) - Divide, Conquer and Unite: Hierarchical Style-Recalibrated Prototype Alignment for Federated Medical Image Segmentation [66.82598255715696]
フェデレートラーニング(Federated Learning)は、複数の医療機関がデータを共有することなく、グローバルなモデルをトレーニングすることを可能にする。
現在のアプローチは主に、重要なマルチレベルキューを見下ろす最終層機能に重点を置いている。
我々は,ドメイン不変のコンテキスト型プロトタイプアライメントを介して特徴表現ギャップをブリッジするFedBCSを提案する。
論文 参考訳（メタデータ） (2025-11-14T04:15:34Z) - ProtoSiTex: Learning Semi-Interpretable Prototypes for Multi-label Text Classification [0.7534418099163723]
ProtoSiTexは、細粒度マルチラベルテキスト分類用に設計された半解釈可能なフレームワークである。
適応型プロトタイプとマルチヘッドアテンションを使用して、重複と矛盾するセマンティクスをキャプチャする。
ProtoSiTexは、忠実でヒューマンアラインな説明を提供しながら、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-10-14T13:59:28Z) - Investigating Multi-layer Representations for Dense Passage Retrieval [46.25475369974163]
文書の表現を構成するために多層表現(MLR)を示す。
まず,異なる層における表現がマルチベクトル検索条件下でのMLRの性能に与える影響について検討する。
本稿では,マルチベクタモデルから単一ベクタモデルへのプーリング戦略を活用することで,検索効率を向上させることを提案する。
論文 参考訳（メタデータ） (2025-09-28T13:00:53Z) - MProto: Multi-Prototype Network with Denoised Optimal Transport for
Distantly Supervised Named Entity Recognition [75.87566793111066]
本稿では,DS-NERタスクのためのMProtoというノイズロスのプロトタイプネットワークを提案する。
MProtoは、各エンティティタイプを複数のプロトタイプで表現し、クラス内の分散を特徴付ける。
不完全なラベリングからノイズを緩和するために,新しい復号化最適輸送(DOT)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-12T13:02:34Z) - Multimodal Prototype-Enhanced Network for Few-Shot Action Recognition [40.329190454146996]
MultimOdal PRototype-ENhanced Network (MORN)は、ラベルテキストの意味情報をマルチモーダル情報として利用してプロトタイプを強化する。
我々は4つの一般的な数発のアクション認識データセットについて広範な実験を行った。
論文 参考訳（メタデータ） (2022-12-09T14:24:39Z) - Rethinking Semantic Segmentation: A Prototype View [126.59244185849838]
学習不可能なプロトタイプをベースとした非パラメトリックセマンティックセマンティックセマンティクスモデルを提案する。
我々のフレームワークは、いくつかのデータセットに対して魅力的な結果をもたらす。
この作業が、現在のデファクトセマンティックセグメンテーションモデル設計を再考することを期待しています。
論文 参考訳（メタデータ） (2022-03-28T21:15:32Z) - Dual Prototypical Contrastive Learning for Few-shot Semantic
Segmentation [55.339405417090084]
本稿では,FSSタスクに適合する2つの特徴的コントラスト学習手法を提案する。
第一の考え方は、プロトタイプの特徴空間におけるクラス内距離を減少させながら、クラス間距離を増やすことで、プロトタイプをより差別的にすることである。
提案手法は,PASCAL-5iおよびCOCO-20iデータセット上で,最先端のFSS手法よりも優れていることを示す。
論文 参考訳（メタデータ） (2021-11-09T08:14:50Z)
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。