Fugu-MT 論文翻訳(概要): On the Indistinguishability of Human v/s AI Generated Text

論文の概要: On the Indistinguishability of Human v/s AI Generated Text

arxiv url: http://arxiv.org/abs/2608.26797v1
Date: Thu, 27 Aug 2026 08:34:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-28 16:30:58.313336
Title: On the Indistinguishability of Human v/s AI Generated Text
Title（参考訳）: 人間v/sAI生成テキストの不明瞭性について
Abstract要約: 本研究では,人体分布に対する機械生成応答を戦略的に言い換えるために,人間の筆記サンプルへのアクセス方法を検討する。この結果は, 明確な収束率を導出し, 解析結果を有限サンプル設定に拡張し, 所望の誤差で, 必要なサンプル数とパラフレージングラウンドがスケールするかを特徴付ける。
参考スコア（独自算出の注目度）: 4.119847434567505
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: The rapid improvement of LLMs has made distinguishing AI-generated text from human writing a pressing problem. This challenge is further amplified by paraphrasing tools designed to make machine-generated text appear more "human". We study how access to human writing samples can be used to strategically paraphrase machine-generated responses toward the human distribution. Under a multi-sample setting with human and machine responses to the same prompts, we show that repeated paraphrasing moves the machine distribution toward the empirical human distribution under simple mixing and stability conditions. Our results derive an explicit convergence rate, extend the analysis to a finite-sample setting, and characterize how the required number of human samples and paraphrasing rounds scale with the desired error.
Abstract（参考訳）: LLMの急速な改良により、AIが生成したテキストと人間をプレスする問題とを区別できるようになった。この課題は、機械生成テキストをより「人間的」に見せるために設計された言い回しによってさらに増幅される。本研究では,人体分布に対する機械生成応答を戦略的に言い換えるために,人間の筆記サンプルへのアクセス方法を検討する。同じプロンプトに対して人間と機械が反応するマルチサンプル設定では, 簡単な混合条件と安定性条件下で, 機械分布を経験的人間分布へ移動させる。この結果は, 明確な収束率を導出し, 解析結果を有限サンプル設定に拡張し, 所望の誤差で, 必要なサンプル数とパラフレージングラウンドがスケールするかを特徴付ける。

関連論文リスト

Humans Perceive Wrong Narratives from AI Reasoning Texts [26.472074065985]
新しい世代のAIモデルは、回答を生成する前にステップバイステップの推論テキストを生成する。このテキストに対する人間の理解が実際の計算過程と一致するかどうかは不明である。
論文参考訳（メタデータ） (2025-08-09T16:29:10Z)
ExaGPT: Example-Based Machine-Generated Text Detection for Human Interpretability [62.285407189502216]
LLM(Large Language Models)によって生成されたテキストの検出は、誤った判断によって致命的な誤りを引き起こす可能性がある。本稿では,人間の意思決定プロセスに根ざした解釈可能な検出手法であるExaGPTを紹介する。以上の結果から,ExaGPTは従来の強力な検出器よりも最大で40.9ポイントの精度を1%の偽陽性率で大きく上回っていることが明らかとなった。
論文参考訳（メタデータ） (2025-02-17T01:15:07Z)
Detecting Machine-Generated Long-Form Content with Latent-Space Variables [54.07946647012579]
既存のゼロショット検出器は主に、現実世界のドメインシフトに弱いトークンレベルの分布に焦点を当てている。本稿では,イベント遷移などの抽象的要素を機械対人文検出の鍵となる要因として組み込んだ,より堅牢な手法を提案する。
論文参考訳（メタデータ） (2024-10-04T18:42:09Z)
Spotting AI's Touch: Identifying LLM-Paraphrased Spans in Text [61.22649031769564]
我々は、新しいフレームワーク、パラフレーズテキストスパン検出(PTD)を提案する。 PTDは、テキスト内でパラフレーズ付きテキストを識別することを目的としている。パラフレーズ付きテキストスパン検出のための専用データセットであるPASTEDを構築した。
論文参考訳（メタデータ） (2024-05-21T11:22:27Z)
Language Model Decoding as Direct Metrics Optimization [87.68281625776282]
現在の復号法は、異なる側面にわたる人間のテキストと整合するテキストを生成するのに苦労している。本研究では,言語モデルからの復号化を最適化問題として,期待される性能と人間のテキストとの厳密なマッチングを目的とした。この誘導分布は,人間のテキストの難易度を向上させることが保証されていることを証明し,人間のテキストの基本的な分布に対するより良い近似を示唆する。
論文参考訳（メタデータ） (2023-10-02T09:35:27Z)
The Imitation Game: Detecting Human and AI-Generated Texts in the Era of ChatGPT and BARD [3.2228025627337864]
異なるジャンルの人文・AI生成テキストのデータセットを新たに導入する。テキストを分類するために、いくつかの機械学習モデルを使用します。結果は、人間とAIが生成したテキストを識別する上で、これらのモデルの有効性を示す。
論文参考訳（メタデータ） (2023-07-22T21:00:14Z)
Intrinsic Dimension Estimation for Robust Detection of AI-Generated Texts [22.852855047237153]
自然言語におけるフロートテキストの平均内在次元は、アルファベットベースの言語では9ドル、中国語では7ドル前後で推移している。この特性により、スコアベースの人工テキスト検出器を構築することができる。
論文参考訳（メタデータ） (2023-06-07T18:38:04Z)
MAGE: Machine-generated Text Detection in the Wild [82.70561073277801]
大規模言語モデル(LLM)は人間レベルのテキスト生成を実現し、効果的なAI生成テキスト検出の必要性を強調している。我々は、異なるLLMによって生成される多様な人文やテキストからテキストを収集することで、包括的なテストベッドを構築する。問題にもかかわらず、トップパフォーマンス検出器は、新しいLCMによって生成された86.54%のドメイン外のテキストを識別することができ、アプリケーションシナリオの実現可能性を示している。
論文参考訳（メタデータ） (2023-05-22T17:13:29Z)
On the Possibilities of AI-Generated Text Detection [76.55825911221434]
機械が生成するテキストが人間に近い品質を近似するにつれて、検出に必要なサンプルサイズが増大すると主張している。 GPT-2, GPT-3.5-Turbo, Llama, Llama-2-13B-Chat-HF, Llama-2-70B-Chat-HFなどの最先端テキストジェネレータをoBERTa-Large/Base-Detector, GPTZeroなどの検出器に対して試験した。
論文参考訳（メタデータ） (2023-04-10T17:47:39Z)
Real or Fake Text?: Investigating Human Ability to Detect Boundaries Between Human-Written and Machine-Generated Text [23.622347443796183]
我々は、テキストが人間の書き起こしから始まり、最先端のニューラルネットワークモデルによって生成されるようになる、より現実的な状況について研究する。この課題でアノテータはしばしば苦労するが、アノテータのスキルにはかなりのばらつきがあり、適切なインセンティブが与えられると、アノテータは時間とともに改善できることを示す。
論文参考訳（メタデータ） (2022-12-24T06:40:25Z)
Human or Machine: Automating Human Likeliness Evaluation of NLG Texts [0.0]
そこで,本研究では,人間によって書かれたように思われる手法を用いて,出力サンプルのパーセンテージを示す,人間の類似度スコアを提案する。以下に示すように、本評価手法の最適設定を見つけるために、人書きテキストと機械生成テキストの実証分析を行う。
論文参考訳（メタデータ） (2020-06-05T00:57:52Z)

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。