論文の概要: Attention Capture Is Not Detection: A Two-Stage Account of How Humans Miss Localized AI Image Edits

• arxiv url: http://arxiv.org/abs/2608.13865v1
• Date: Fri, 14 Aug 2026 01:26:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.247811
• Title: Attention Capture Is Not Detection: A Two-Stage Account of How Humans Miss Localized AI Image Edits
• Title（参考訳）: 人間がAI画像の編集ミスを2段階に分けた動画
• Abstract要約: AI生成の画像編集を抑制するプラットフォームは、検出可能性を単一の未分化プロパティとして扱う。 編集領域はアテンションキャプチャを駆動し、意味的妥当性は判断精度とルック・ブ・フェイル・トゥ・シー(LBFS)エラー率を駆動する。
• 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: As AI-generated image edits proliferate, the platforms meant to curb the resulting disinformation treat detectability as a single, undifferentiated property: an edit either gets a warning or it does not. We show this is the wrong model. Across a controlled eye-tracking study ($N=59$, Latin-square design, four conditions crossing edit area and semantic plausibility), a mixed-effects analysis reveals that whether an edit is noticed and whether it is correctly judged as fake are dissociable stages, governed by different factors: edit area drives attention capture ($p<0.001$) while semantic plausibility drives judgment accuracy and look-but-fail-to-see (LBFS) error rates ($p<0.001$). This dissociation survives correction for multiple comparisons; a secondary interaction between the two factors does not. This two-stage account extends a long-standing distinction in visual attention research (between pre-attentive capture and effortful recognition) into the new domain of AI-edit detectability. We then test whether a generative eye-movement model can computationally operationalize the attention-capture stage: a Transformer trained to generate scanpaths tracks per-image attention with strong discriminative power (Pearson $r=0.77$--$0.82$ across held-out stimuli) and, on the harder task of predicting LBFS incidence, modestly outperforms a two-parameter linear baseline even without access to the plausibility label ($r=0.52$ vs. $r=0.48$). We report this comparison, our ablations, and our method's limitations (a single fixed train/validation split, not leave-one-subject-out) without inflation, consistent with responsibly communicating what a machine learning system can and cannot do to help curb AI-driven disinformation.
• Abstract（参考訳）: AIが生成した画像が増殖するにつれて、プラットフォームは結果の偽情報処理能力を単一の未分化プロパティとして抑制する。 これは間違ったモデルです。 制御された視線追跡調査(N=59$、ラテン二乗設計、4条件交差編集領域とセマンティックプラウザビリティ)において、ミックスエフェクト分析は、編集に注意を向ける(p<0.001$)一方、セマンティックプラウザビリティは判断精度とルック・ブ・フェイル・トゥ・シー(LBFS)エラー率(p<0.001$)を駆動する(p<0.001$)。 この解離は多重比較の補正に残るが、2つの因子間の二次的な相互作用は起こらない。 この2段階のアカウントは、視覚的注意研究(注意喚起と努力的な認識の両方)における長年の区別を、AIによる検出の新たな領域に広げている。 次に、生成眼球運動モデルが注意獲得段階を計算的に操作できるかどうかを検証し、強い識別力を持つ画像毎の走査パストラックを生成するように訓練された変換器(Pearson $r=0.77$-$0.82$ across held-out stimuli)と、LBFSの出現を予測する難しい作業において、可視性ラベル(r=0.52$ vs. $r=0.48$)へのアクセスなしに2パラメータの線形ベースラインをわずかに上回った。 本稿では,AIによる情報伝達を抑えるために,機械学習システムに何ができるか,何ができないのかを責任を持って伝えることで,インフレーションを伴わずに,私たちの方法の限界(固定列車/バリデーションの分割は1つではなく1つの1つのオブジェクトアウト)を報告する。

関連論文リスト

• Semantic Fibers and Cross-Gram Interference: A Calculus of Safety Drift in Overcomplete Representations [0.0]
  デプロイされた言語モデルは、英語の有害な要求を拒否するが、その忠実な翻訳に従う。 我々はこの現象を監査同値関係で定式化する。 定式化された商、表現、メートル法、特徴辞書、スコアリングヘッド、しきい値、コントラストモデルに対して、得られた安全ドリフトは正確な線形代数的特徴を持つことを示す。
  論文  参考訳（メタデータ） (2026-09-14T00:23:32Z)
• What FID Hides: Detecting, Ranking, and Diagnosing Deviations in Generative Evaluation [6.078726431806193]
  生成モデルは通常、Fréchet Inception Distance(FID)とKernel Inception Distance(KID)によってランク付けされる。 ZIDは幅広い出発点を検出し、そのスコアは対応するスイープに沿って深刻度を増す。
  論文  参考訳（メタデータ） (2026-08-25T17:58:46Z)
• Intrinsic Structure: Spectral Identifiability for Mechanistic Interpretability [51.56484100374058]
  機械論的解釈可能性プリミティブに対する最初の識別可能性定理を証明した。 スペクトルは、正当性分解ではなく、記述されたエラーバーを持つ識別可能なモデル固有の指紋である。
  論文  参考訳（メタデータ） (2026-08-10T19:42:01Z)
• When Is Benchmark Contamination Detectable? Information Limits and Power-Calibrated Audits [6.908972852063454]
  行動汚染検知器は、ベンチマークがクリーンであるか、監査がほとんどパワーを持っていないため、"証拠がない"ことができる。 我々はこの区別を、トレーニング中に未知のアイテムの分数アルファが見られたベンチマークとして定式化した。 R2 = 0.83-0.98 を6つの正確な置換チャネルで予測する。 事前宣言された2段階のプランナーは、配備された試験をシミュレートし、予算を修復し、一様に保守的であり、プローブが輸送されないときに停止する。
  論文  参考訳（メタデータ） (2026-08-08T04:41:36Z)
• DriftScope: Measuring The Hidden Effects of Diffusion Model Adaptation [50.584834483403675]
  新しい視覚概念を学習するか、望ましくないものを消去するか、事前学習したテキスト・画像拡散モデルに適応させることは、意図した効果だけで日常的に評価される。 適応が意味論的に無関係な概念を、構造的にメトリクスを集約することができない方法で体系的に損なうことを実証する。 DriftScopeは、任意の2つのモデルチェックポイントを取り込み、視覚的概念が最も移行したトークンのランクリストを返す、プロンプトレベルの診断ツールである。
  論文  参考訳（メタデータ） (2026-06-30T20:57:51Z)
• The Interference Gap: Comparing Retrieval Bounds in Human Memory and RAG Systems [13.891522069967507]
  本稿では,ヒトのエピソード記憶と検索・拡張生成システムに適用可能な統合信号検出理論(SDT)フレームワークを提案する。 どちらのシステムも、相関数(ファン)と対数精度の低下を示すが、人間は高密度経路探索よりも低い干渉感度(=0.41$)を示す。 本稿では、因果的役割が確立されていない候補メカニズムとして、具体性、時間的文脈結合、検索ゲーティングについて論じる。
  論文  参考訳（メタデータ） (2026-05-09T05:51:21Z)
• The Endogeneity of Miscalibration: Impossibility and Escape in Scored Reporting [2.3698341511302443]
  自律エージェントからの真実の報告を排除することは、スケーラブルなAI監視における中核的な問題である。 プリンシパルは、厳密に適切なスコアリングルールを使用してエージェントのレポートをスコアリングするが、エージェントはまた、非正確チャンネルを通じてレポートの恩恵を受ける。 我々の主な成果は内在性であり、プリンシパルの最適監視は必ずしもスクリーンタイプに非ファイン承認関数を使用する。
  論文  参考訳（メタデータ） (2026-05-08T12:42:28Z)
• Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
  そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。 各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。 これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
  論文  参考訳（メタデータ） (2026-04-20T13:25:40Z)
• TRACE: Theoretical Risk Attribution under Covariate-shift Effects [4.211510706776732]
  ソースをトレーニングしたモデル$Q$を、シフトしたデータに基づいてトレーニングされたモデル$tildeQ$に置き換えると、ソースドメインのパフォーマンスは予測不能に変化する可能性がある。 TRACEは$|R|$を解釈可能な上界に分解するフレームワークである。
  論文  参考訳（メタデータ） (2026-02-11T07:22:33Z)
• Coverage-Guaranteed Speech Emotion Recognition via Calibrated Uncertainty-Adaptive Prediction Sets [0.0]
  しばしば感情的な抑圧と突然のアウトバーストによって引き起こされる道路の怒りは、衝突や攻撃的な行動を引き起こすことによって道路の安全を著しく脅かす。 音声感情認識技術は、ネガティブな感情を早期に識別し、タイムリーな警告を発することにより、このリスクを軽減することができる。 本稿では,予測精度を統計的に厳格に保証するリスク制御予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T12:26:28Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• Beyond Invariance: Test-Time Label-Shift Adaptation for Distributions with "Spurious" Correlations [44.99833362998488]
  テスト時のデータ分散の変化は、予測モデルのパフォーマンスに有害な影響を及ぼす可能性がある。 本研究では,未ラベルサンプルに適用したEMを用いて,共同分布の$p(y, z)$の変化に適応するテストタイムラベルシフト補正を提案する。
  論文  参考訳（メタデータ） (2022-11-28T18:52:33Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Auditing AI models for Verified Deployment under Semantic Specifications [65.12401653917838]
  AuditAIは、解釈可能な形式検証とスケーラビリティのギャップを埋める。 AuditAIは、画素空間の摂動のみを用いた検証の限界に対処しながら、検証と認定トレーニングのための制御されたバリエーションを得られるかを示す。
  論文  参考訳（メタデータ） (2021-09-25T22:53:24Z)
• Analytic Signal Phase in $N-D$ by Linear Symmetry Tensor--fingerprint modeling [69.35569554213679]
  解析信号位相とその勾配は2-D$以上の不連続性を持つことを示す。 この欠点は深刻なアーティファクトをもたらす可能性があるが、問題は1-D $シグナルには存在しない。 本稿では,複数のGaborフィルタに頼って線形シンメトリー位相を用いることを提案する。
  論文  参考訳（メタデータ） (2020-05-16T21:17:26Z)

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。