論文の概要: D2C-Routing: Dimension-to-Composition Evidence Routing for Mixed-Origin AI-Generated Text Detection

• arxiv url: http://arxiv.org/abs/2608.27380v2
• Date: Sun, 30 Aug 2026 06:16:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 13:34:07.776921
• Title: D2C-Routing: Dimension-to-Composition Evidence Routing for Mixed-Origin AI-Generated Text Detection
• Title（参考訳）: D2Cルーティング:混合Origin AI生成テキスト検出のための次元合成エビデンスルーティング
• Abstract要約: 混合オリジン検出を次元と構成源の属性として用いた。 本稿では,コンテンツ側および表現側証拠をルートするD2C-Routingを提案する。 コアアブレーションはルーティング設計をサポートし、エラー解析は、AIコンテンツ/人間表現と完全なAI生成テキストを区別することが、最も難しい境界であることを示している。
• 参考スコア（独自算出の注目度）: 27.37125408066238
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-generated text detection is commonly framed as a binary document-level judgment about whether a text is human-written or machine-generated. This framing breaks down for mixed-origin writing, where content origin and expression origin may differ. We cast mixed-origin detection as dimension-to-composition source attribution, inferring content origin and expression origin before composing them into four collaboration types. We propose Dimension-to-Composition Routing (D2C-Routing), which routes content-side and expression-side evidence to supervised dimension heads before a learned gated composition layer predicts the final label. On MixD2C, a reconstructed split derived from the HART mixed-origin benchmark, our disclosed D2C-Routing-based detector system reaches 0.8603 four-way Avg TPR@1%FPR, 6.5 points above the same-split RACE-local rerun. Core ablations support the routing design, while error analysis shows that distinguishing AI-content/human-expression from fully AI-generated text remains the hardest boundary. Code is available at https://github.com/bystander563/d2c-routing-artifact.
• Abstract（参考訳）: AI生成されたテキスト検出は、一般的に、テキストがヒューマン書きかマシン生成かについてのバイナリドキュメントレベルの判断としてフレーム化される。 このフレーミングは、内容の出所と表現の出所が異なってくるような混成オリジンの筆跡に当てはまる。 コンテントの起源と表現の原点を4つのコラボレーションタイプに分解する前に, 混合オリジン検出を次元から構成への帰属として, コンテントの原点と表現の原点を推定した。 そこで本研究では,D2C-Routing(D2C-Routing,D2C-Routing,D2C-Routing,D2C-Routing,D2C-Routing)を提案する。 HARTmix-originベンチマークから得られた再構成分割であるMixD2Cでは,D2C-Routing-based detector systemが0.8603の4方向Avg TPR@1%FPRに到達した。 コアアブレーションはルーティング設計をサポートし、エラー解析は、AIコンテンツ/人間表現と完全なAI生成テキストを区別することが、最も難しい境界であることを示している。 コードはhttps://github.com/bystander563/d2c-routing-artifactで入手できる。

関連論文リスト

• Chain of Evidence: Pixel-Level Visual Attribution for Iterative Retrieval-Augmented Generation [19.889854990300595]
  反復検索拡張生成(iRAG)は、複雑なマルチホップ問題に答える強力なパラダイムとして登場した。 Evidence (CoE) の textbfChain について述べる。
  論文  参考訳（メタデータ） (2026-05-02T06:40:42Z)
• RaV-IDP: A Reconstruction-as-Validation Framework for Faithful Intelligent Document Processing [0.0]
  Restructation as Validation (RaV-IDP)は、第一級アーキテクチャコンポーネントとして再構築を導入するドキュメント処理パイプラインである。 専用再構成器は、抽出した表現を元の文書領域に匹敵する形式に戻す。 忠実度がエンタリティ型閾値以下になると、構造化されたGPT-4.1ビジョンフォールバックがトリガーされ、検証ループが繰り返される。
  論文  参考訳（メタデータ） (2026-04-26T10:26:42Z)
• Explainable Disentangled Representation Learning for Generalizable Authorship Attribution in the Era of Generative AI [70.05655131235999]
  EAVAE(Explainable Authorship Variational Autoencoder)は、コンテンツからスタイルを明示的に切り離す新しいフレームワークである。 ディスタングルメントは、新規な差別者を通じて実施される。 EAVAEは、AI生成テキスト検出のためのM4データセットよりも、数ショットの学習に優れています。
  論文  参考訳（メタデータ） (2026-04-23T05:34:20Z)
• How Modality Shapes Perception and Reasoning: A Study of Error Propagation in ARC-AGI [7.226300346775942]
  ARC-AGIとARC-AGI-2は、小さな色量子格子上の一般化スルー合成を測定する。 最近の命令ファーストシステムは、グリッドを生成-実行-選択ループで実行される簡潔な自然言語またはDSLルールに変換する。
  論文  参考訳（メタデータ） (2025-11-11T19:06:41Z)
• Explicit Relational Reasoning Network for Scene Text Detection [20.310201743941196]
  後処理なしでコンポーネント関係をエレガントにモデル化するための明示的推論ネットワーク(ERRNet)を導入する。 ERRNetは、高い競争力を持つ推論速度を保持しながら、最先端の精度を一貫して達成する。
  論文  参考訳（メタデータ） (2024-12-19T09:51:45Z)
• Contextual Document Embeddings [77.22328616983417]
  本稿では,コンテキスト化された文書埋め込みのための2つの補完手法を提案する。 第一に、文書近傍を明示的にバッチ内コンテキスト損失に組み込む別のコントラスト学習目標である。 第二に、隣接する文書情報をエンコードされた表現に明示的にエンコードする新しいコンテキストアーキテクチャ。
  論文  参考訳（メタデータ） (2024-10-03T14:33:34Z)
• Optimizing Factual Accuracy in Text Generation through Dynamic Knowledge Selection [71.20871905457174]
  言語モデル(LM)は、私たちが情報と対話する方法に革命をもたらしたが、しばしば非現実的なテキストを生成する。 従来の手法では、外部知識をテキスト生成の参照として使用して事実性を高めるが、無関係な参照の知識の混在に苦慮することが多い。 本稿では,テキスト生成プロセスを反復処理に分割するDKGenを提案する。
  論文  参考訳（メタデータ） (2023-08-30T02:22:40Z)
• SwinTextSpotter: Scene Text Spotting via Better Synergy between Text Detection and Text Recognition [73.61592015908353]
  本稿では,SwinTextSpotter と呼ばれるシーンテキストスポッティングフレームワークを提案する。 動的頭部を検出器とするトランスを用いて、2つのタスクを新しい認識変換機構で統一する。 この設計は、追加の修正モジュールも文字レベルのアノテーションも必要としない簡潔なフレームワークをもたらす。
  論文  参考訳（メタデータ） (2022-03-19T01:14:42Z)
• CDistNet: Perceiving Multi-Domain Character Distance for Robust Text Recognition [87.3894423816705]
  本稿では,MDCDP (Multi-Domain Character Distance Perception) と呼ばれる新しいモジュールを提案する。 MDCDPは位置埋め込みを使用して、クロスアテンションメカニズムに従って視覚的特徴と意味的特徴の両方を問合せする。 我々は、複数のMDCDPを積み重ねたCDistNetを開発し、徐々に正確な距離モデリングをガイドする。
  論文  参考訳（メタデータ） (2021-11-22T06:27:29Z)
• ABCNet v2: Adaptive Bezier-Curve Network for Real-time End-to-end Text Spotting [108.93803186429017]
  エンドツーエンドのテキストスポッティングは、統一されたフレームワークで検出と認識を統合することを目指している。 本稿では、Adaptive Bezier Curve Network v2 (ABCNet v2) を提示することで、エンドツーエンドテキストスポッティングに取り組む。 1) 任意の形状のテキストをパラメータ化されたベジアー曲線で適応的に適合させ, セグメンテーション法と比較すると, 構造的な出力だけでなく, 制御可能な表現も提供できる。 様々なバイリンガル(英語と中国語)ベンチマークデータセットで実施された総合的な実験は、ABCNet v2が現状を達成することを実証している。
  論文  参考訳（メタデータ） (2021-05-08T07:46:55Z)
• Joint Layout Analysis, Character Detection and Recognition for Historical Document Digitization [33.02563283777661]
  本稿では,正しい読解順序に従う歴史資料を復元するためのエンドツーエンドのトレーニング可能なフレームワークを提案する。 特徴抽出ネットワークの後方には、キャラクタブランチとレイアウトブランチという2つのブランチが追加されている。 中国の歴史文書MTHv2データセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-07-14T08:02:52Z)

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。

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。