論文の概要: Evidence-Consistent Generative Detection under Scenario-Level Distribution Shift

• arxiv url: http://arxiv.org/abs/2608.21043v1
• Date: Fri, 21 Aug 2026 12:36:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-24 14:49:32.535581
• Title: Evidence-Consistent Generative Detection under Scenario-Level Distribution Shift
• Title（参考訳）: シナリオレベル分布シフトによるエビデンス・コンスタントな生成検出
• Abstract要約: In-distriion評価は、トレーニングとテストデータが繰り返し発生するタスク固有のパターンやサーフェスキューを共有するときに、ロバスト性を過大評価する可能性がある。 本研究では,SMSと音声フィッシングのシナリオレベルのアウト・オブ・ディストリビューション(SL-OOD)検出手法としてこの問題を考察する。 本稿では,エビデンス・スパンの監督と合理的・ラベルの整合性を組み合わせたエビデンス・一貫性・ジェネレーティブ・フレームワークであるECoGを提案する。
• 参考スコア（独自算出の注目度）: 11.714767952479434
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Conventional in-distribution evaluation can overestimate robustness when training and test data share recurring task-specific patterns or surface cues. This risk is especially relevant in social-engineering fraud detection, where attackers can preserve malicious intent while changing the scenario, impersonated entity, or wording. We study this problem as scenario-level out-of-distribution (SL-OOD) detection for SMS and voice phishing, where entire attack scenarios are held out from training while the label space remains fixed. This setting tests whether models can generalize to unseen attack scenarios using decision-relevant evidence rather than familiar scenario-specific cues. Using this SL-OOD evaluation, we find that high in-distribution performance does not reliably predict held-out robustness across feature-, encoder-, and decoder-based baselines. We interpret this gap as scenario memorization: reliance on recurring scenario-specific lexical or entity cues rather than decision-relevant evidence. We propose ECoG, an evidence-consistent generative framework that combines evidence-span supervision with a rationale-label consistency objective during training. On the 0.5B decoder, relative to the same backbone trained without consistency regularization, ECoG raises Macro-F1 on OOD challenging instances by 3.22 points, reduces the share of predictions whose generated rationale supports the opposite label by 4.22 points, and increases token-level overlap with reference evidence spans by 8.38 points; the reduction in prediction-rationale inconsistency is consistent across four decoder backbones. These results suggest that compact generative detectors can benefit from evidence supervision and rationale-label consistency under social-engineering shift.
• Abstract（参考訳）: 従来の分布内評価は、繰り返し発生するタスク固有のパターンや表面の手がかりをトレーニングやテストデータで共有する場合、頑健さを過大評価する可能性がある。 このリスクは、特に社会工学的な不正検出に関係しており、攻撃者は、シナリオ、偽造されたエンティティ、または言葉を変更しながら悪意のある意図を保存できる。 本研究では,SMSと音声フィッシングのシナリオレベルのアウト・オブ・ディストリビューション(SL-OOD)検出として,ラベル空間が固定されている間,全攻撃シナリオをトレーニングから切り離す。 この設定は、慣れ親しんだシナリオ固有のキューではなく、決定関連エビデンスを使用して、モデルが見えない攻撃シナリオを一般化できるかどうかをテストする。 このSL-OOD評価により,高分散性能は特徴量,エンコーダ,デコーダベースライン間のホールドアウトロバスト性を確実に予測できないことがわかった。 我々はこのギャップをシナリオ記憶として解釈する: 決定に関連する証拠ではなく、シナリオ固有の語彙や実体の手がかりを繰り返すことに依存する。 本研究では,エビデンス・スパン・インスペクションと,トレーニング中の合理的・ラベル整合性目標を組み合わせたエビデンス・一貫性・ジェネレーティブ・フレームワークであるECoGを提案する。 0.5Bデコーダでは、一貫性の規則化なしにトレーニングされた同じバックボーンと比較して、ECoGはOODの挑戦的なインスタンス上でマクロF1を3.22ポイント引き上げ、生成した理論的根拠が反対のラベルをサポートする予測のシェアを4.22ポイント削減し、参照エビデンスとトークンレベルの重複を8.38ポイント増加させる。 これらの結果から,社会工学シフト下での証拠監督と合理性ラベルの整合性から,コンパクトな生成検出器が有用であることが示唆された。

関連論文リスト

• ReliGRec: Reliability-Oriented LLM-Based Generative Recommendation via User-Risk-Aware Prompt Routing [15.062647558548562]
  ユーザレベルの弱リスクプロキシラベルのための弱教師付きフレームワークであるReliGRecを提案する。 ReliGRecは、ユーザのサブセットに対するレビューフィードバック信号から、ユーザレベルの弱いプロキシラベルを導出する。 Dual-View Weak-Risk Estimatorは、ユーザレベルの弱リスクスコアを生成するために、表現を融合する。
  論文  参考訳（メタデータ） (2026-09-15T02:56:30Z)
• Robustifying Vision-Language Models via Test-Time Prompt Adaptation [23.05168102474528]
  サンプルレベルの推定から分布レベルのアライメントに移行するテストtImeプロンプト・タダプテーションフレームワークであるRITAを提案する。 特に、RITAは、拡張視覚特徴の分布をテキストプロトタイプと整合させ、敵対的外乱を緩和し、モーダルな意味的不一致を是正するために最適なトランスポートを使用する。
  論文  参考訳（メタデータ） (2026-07-10T14:19:42Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Are We Overconfident in Models and Results for Semi-Supervised 3D Medical Image Segmentation? [4.120238673372104]
  半教師付き学習は、アノテーションのコストを削減する主要なパラダイムとなっている。 現在の進歩は2倍の過信問題によって曇っていると我々は主張する。 本稿では,二軸信頼性評価エンジン上に構築した三空間原理分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T08:16:40Z)
• Quantifiable Uncertainty: A Stochastic Consensus Multi-Agent RAG Framework for Robust Malware Detection [1.2183405753834562]
  本稿では,マルウェア解析をセマンティックコード検索と確率的検証に分離するフレームワークMAGMAを提案する。 MAGMAは98.4%の検知率を示し,既存の解よりもかなり高い値を示した。
  論文  参考訳（メタデータ） (2026-05-08T18:46:24Z)
• Beyond Semantic Relevance: Counterfactual Risk Minimization for Robust Retrieval-Augmented Generation [19.888565537472363]
  CoRM-RAG(Counterfactual Risk Minimization for RAG)は、検索と意思決定の安全性を一致させるフレームワークである。 トレーニング中にユーザのバイアスをシミュレートする認知摂動プロトコルを導入し,それを軽量なエビデンス・クリティカルに蒸留する。 このスコアリングモジュールは、対向的なクエリの摂動にも拘わらず、モデルの正しさを判断するために十分な明らかな強度を持つ文書を特定することを学習する。
  論文  参考訳（メタデータ） (2026-05-02T07:22:24Z)
• CORE: Context-Robust Remasking for Diffusion Language Models [51.59514489363897]
  我々は、推論時リビジョンのためのトレーニング不要フレームワークであるContext-Robust Remasking (CORE)を提案する。 静的トークンの確率を信頼するのではなく、COREは、ターゲットとなるマスク付きコンテキストの摂動に対する感受性を示すことによって、コンテキスト不安定なトークンを識別する。 LLaDA-8B-Baseでは、COREは推論とコードベンチマークの間で一貫した改善を行い、計算に適合したベースラインを上回り、MBPPを最大9.2%改善した。
  論文  参考訳（メタデータ） (2026-02-04T00:12:30Z)
• Detecting Brittle Decisions for Free: Leveraging Margin Consistency in Deep Robust Classifiers [9.147975682184528]
  ディープラーニングモデルの意思決定は、知覚できない摂動に敏感である。 敵攻撃を使用してインスタンス単位でモデルの脆弱性を評価することは、リアルタイムのデプロイメントシナリオには計算集約的であり、適さない。 本稿では,脆弱な試料の効率的な検出のためのマージン整合性の概念を紹介する。
  論文  参考訳（メタデータ） (2024-06-26T16:00:35Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• ADC: Adversarial attacks against object Detection that evade Context consistency checks [55.8459119462263]
  文脈整合性チェックさえも、適切に構築された敵の例に対して脆弱であることを示す。 このような防御を覆す実例を生成するための適応型フレームワークを提案する。 我々の結果は、コンテキストを堅牢にモデル化し、一貫性をチェックする方法はまだ未解決の問題であることを示している。
  論文  参考訳（メタデータ） (2021-10-24T00:25:09Z)
• Exploring Robustness of Unsupervised Domain Adaptation in Semantic Segmentation [74.05906222376608]
  クリーンな画像とそれらの逆の例との一致を、出力空間における対照的な損失によって最大化する、逆向きの自己スーパービジョンUDA(ASSUDA)を提案する。 i) セマンティックセグメンテーションにおけるUDA手法のロバスト性は未解明のままであり, (ii) 一般的に自己スーパービジョン(回転やジグソーなど) は分類や認識などのイメージタスクに有効であるが, セグメンテーションタスクの識別的表現を学習する重要な監視信号の提供には失敗している。
  論文  参考訳（メタデータ） (2021-05-23T01:50:44Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。