論文の概要: EVIL-Detect for NLPCC 2026 Shared Task 6: LLM-Generated Text Detection

• arxiv url: http://arxiv.org/abs/2608.10698v1
• Date: Tue, 11 Aug 2026 09:19:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.989108
• Title: EVIL-Detect for NLPCC 2026 Shared Task 6: LLM-Generated Text Detection
• Title（参考訳）: NLPCC 2026共有タスクのEVIL検出:LLM生成テキスト検出
• Abstract要約: 本稿では,NLPCC 2026共有タスク6に対するコンフリクト認識融合を備えた多信号アンサンブルフレームワークEVIL-Detectを提案する。 このシステムは、編集時回帰、ゼロショット確率コントラスト信号、語彙統計、保守的テキストルールを統合している。 本システムでは, 分配シフトが強く, マクロF1スコア0.8888を達成し, 公式評価において第1位となるロバスト性を向上する。
• 参考スコア（独自算出の注目度）: 11.65568345337734
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The rapid development of large language models (LLMs) has increased the need for reliable detection of LLM-generated text, especially in realistic Chinese scenarios involving human-written text (HWT), LLM-generated text (LGT), and LLM-refined text (HLT). This paper presents EVIL-Detect, a multi-signal ensemble framework with conflict-aware fusion for NLPCC 2026 Shared Task 6. The system integrates edit-extent regression, zero-shot likelihood-contrast signals, lexical statistics, and conservative text rules. With calibrated decision boundaries and conflict-aware integration, our system improves robustness under strong out-of-distribution shifts, achieving a macro-F1 score of 0.8888 and ranking first in the official evaluation. Our code is available at https://github.com/bbbbhrrrr/evildetect.
• Abstract（参考訳）: 大規模言語モデル(LLMs)の急速な開発により、特に人文テキスト(HWT)、LLM生成テキスト(LGT)、LLM精製テキスト(HLT)を含む現実的な中国語シナリオにおいて、LLM生成テキストの信頼性の高い検出の必要性が高まっている。 本稿では,NLPCC 2026共有タスク6に対するコンフリクト認識融合を備えた多信号アンサンブルフレームワークEVIL-Detectを提案する。 このシステムは、編集時回帰、ゼロショット確率コントラスト信号、語彙統計、保守的テキストルールを統合している。 判定境界の校正とコンフリクト・アウェア統合により, 配当の強いシフト下での堅牢性を向上し, マクロF1スコア0.8888を達成し, 公式評価において第1位となった。 私たちのコードはhttps://github.com/bbbbhrrrr/evildetect.comから入手可能です。

関連論文リスト

• EnsemJudge: Enhancing Reliability in Chinese LLM-Generated Text Detection through Diverse Model Ensembles [16.37055946884028]
  EnsemJudgeは中国語のLLM生成テキストを検出するための堅牢なフレームワークである。 NLPCC2025 Shared Task 1 で構築した中国語データセットを用いて,本システムの訓練と評価を行った。
  論文  参考訳（メタデータ） (2026-03-30T01:50:46Z)
• HLPD: Aligning LLMs to Human Language Preference for Machine-Revised Text Detection [3.090546888821788]
  本稿では,機械改訂テキストから生成されたテキストを検出するために,HLPD(Human Language Preference Detection)を提案する。 HLPDは報酬に基づくアライメントプロセスであるHuman Language Preference Optimization (HLPO)を採用し、スコアリングモデルのトークン分布を人間的な書き込みにシフトさせる。 GPTシリーズモデルで修正されたテキストを検出すると、HLPDはAUROCをImBDよりも15.11%改善し、Fast-DetectGPTを45.56%上回った。
  論文  参考訳（メタデータ） (2025-11-10T10:47:34Z)
• TextualVerifier: Verify TextGrad Step-by-Step [0.25489046505746704]
  TextualVerifierは、連鎖分解、変種生成、多数決、コンセンサスアグリゲーションを実装している。 損失関数と最適化結果の検証段階の両方で、非侵襲的にTextGradと統合する。
  論文  参考訳（メタデータ） (2025-10-29T13:53:42Z)
• 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)
• Robust Detection of LLM-Generated Text: A Comparative Analysis [0.276240219662896]
  大規模言語モデルは生命の多くの側面に広く統合することができ、その出力は全てのネットワークリソースを迅速に満たすことができる。 生成したテキストの強力な検出器を開発することがますます重要になっている。 この検出器は、これらの技術の潜在的な誤用を防ぎ、ソーシャルメディアなどのエリアを負の効果から保護するために不可欠である。
  論文  参考訳（メタデータ） (2024-11-09T18:27:15Z)
• ReMoDetect: Reward Models Recognize Aligned LLM's Generations [55.06804460642062]
  大型言語モデル (LLM) は人間の好むテキストを生成する。 本稿では,これらのモデルで共有される共通特性について述べる。 報奨モデルの検出能力をさらに向上する2つのトレーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-05-27T17:38:33Z)
• 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)
• Spotting LLMs With Binoculars: Zero-Shot Detection of Machine-Generated Text [98.28130949052313]
  密接に関連する2つの言語モデルとの対比に基づくスコアは、人文と機械文の分離に極めて正確である。 本稿では,一対の事前学習 LLM を用いた簡単な計算しか必要としない新しい LLM 検出器を提案する。 Binocularsと呼ばれるこの方法は、トレーニングデータなしで最先端の精度を実現する。
  論文  参考訳（メタデータ） (2024-01-22T16:09:47Z)
• Red Teaming Language Model Detectors with Language Models [114.36392560711022]
  大規模言語モデル(LLM)は、悪意のあるユーザによって悪用された場合、重大な安全性と倫理的リスクをもたらす。 近年,LLM生成テキストを検出し,LLMを保護するアルゴリズムが提案されている。 1) LLMの出力中の特定の単語を, 文脈が与えられたシノニムに置き換えること, 2) 生成者の書き方を変更するための指示プロンプトを自動で検索すること,である。
  論文  参考訳（メタデータ） (2023-05-31T10:08:37Z)
• LLMDet: A Third Party Large Language Models Generated Text Detection Tool [119.0952092533317]
  大規模言語モデル(LLM)は、高品質な人間によるテキストに非常に近い。 既存の検出ツールは、機械が生成したテキストと人間によるテキストしか区別できない。 本稿では,モデル固有,セキュア,効率的,拡張可能な検出ツールであるLLMDetを提案する。
  論文  参考訳（メタデータ） (2023-05-24T10:45:16Z)

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。