論文の概要: Beyond Global Scalars: Synergizing Token-Level Statistics and Deep Semantics for Adversarial AIGC Text Detection

• arxiv url: http://arxiv.org/abs/2608.28009v1
• Date: Fri, 28 Aug 2026 07:23:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.237397
• Title: Beyond Global Scalars: Synergizing Token-Level Statistics and Deep Semantics for Adversarial AIGC Text Detection
• Title（参考訳）: グローバルスカラーを超えて:AIGCテキスト検出のためのToken-Level StatisticsとDeep Semanticsを同期する
• Abstract要約: トレーニングフリーメソッドは、パープレキシティのようなグローバルな統計スカラーに依存し、トレーニングベースメソッドはセマンティックな隠蔽状態を利用する。 我々は,全粒度攻撃スペクトルにまたがる16000のサンプルからなる総合的対向ベンチマークMOSAICを紹介する。 NeuroStatはトークンレベルの確率ロジットを、単一の因果言語モデルバックボーンから深いセマンティックな隠蔽状態とともにキャプチャする。
• 参考スコア（独自算出の注目度）: 27.635569025106587
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid evolution of large language models necessitates robust machine-generated text detection. Existing paradigms typically follow two isolated tracks. Training-free methods rely on global statistical scalars such as perplexity, while training-based methods utilize semantic hidden states. Both approaches exhibit fundamental vulnerabilities in adversarial scenarios. Global scalars act as lossy compressions that obscure local probabilistic burstiness in interleaved texts, whereas pure semantic models overfit to specific fingerprints and remain susceptible to spoofing. To expose these flaws, we introduce MOSAIC, a comprehensive adversarial benchmark comprising 16000 samples across a full-granularity attack spectrum. To address these challenges, we propose NeuroStat, an end-to-end framework bridging the statistical and semantic gap. NeuroStat captures uncompressed token-level probabilistic logits alongside deep semantic hidden states from a single causal language model backbone. We fuse these heterogeneous signals through Macro-State Residual Modulation, which adaptively calibrates local convolutional features using global uncertainty indicators. Orthogonal and contrastive losses further ensure the learning of complementary representations. Extensive experiments demonstrate that NeuroStat maintains exceptional robustness on MOSAIC compared to the severe degradation of state-of-the-art methods, establishing a new standard for adversarial text detection. Code and the MOSAIC benchmark are available at https://github.com/TencentBAC/NeuroStat.
• Abstract（参考訳）: 大規模言語モデルの急速な進化は、堅牢な機械生成テキスト検出を必要とする。 既存のパラダイムは通常、2つの独立したトラックに従う。 トレーニングフリーメソッドは、パープレキシティのようなグローバルな統計スカラーに依存し、トレーニングベースメソッドはセマンティックな隠蔽状態を利用する。 どちらのアプローチも、敵のシナリオに根本的な脆弱性を示す。 グローバルスカラーは、インターリーブされたテキストの局所的な確率的バーストネスを曖昧にする、損失の多い圧縮として機能する一方、純粋なセマンティックモデルは特定の指紋に過度に適合し、偽造に弱いままである。 これらの欠陥を明らかにするために,全粒度攻撃スペクトルにわたる16000のサンプルからなる総合的対向ベンチマークMOSAICを導入する。 これらの課題に対処するため,統計的および意味的ギャップを埋めるエンドツーエンドフレームワークであるNeuroStatを提案する。 NeuroStatは、単一の因果言語モデルバックボーンから深いセマンティックな隠蔽状態とともに、圧縮されていないトークンレベルの確率ロジットをキャプチャする。 我々は、これらの異種信号をマクロ状態残留変調により融合し、グローバル不確実性指標を用いて局所的な畳み込み特徴を適応的に校正する。 直交的かつ対照的な損失は、補足表現の学習をさらに確実にする。 大規模な実験により、NeuroStatは最先端の手法を著しく劣化させるのに比べ、MOSAIC上では例外的な堅牢性を維持しており、敵対的テキスト検出の新たな標準を確立している。 コードとMOSAICベンチマークはhttps://github.com/TencentBAC/NeuroStatで公開されている。

関連論文リスト

• MS-MFAD : Multimodal large language models for Face Anti-spoofing Detection [25.077055201475442]
  顔検出のためのMFAD(Multimodal Large Language Models)を提案する。 MFADは、微細なピクセル・セマンティックアンカー機構により、マルチモーダル大言語モデルの本質的な推論機能を活性化する。 攻撃カテゴリごとに1,000の正確なマスクをアノテートすることで、我々はスプーフされた領域に厳密に対応するエビデンス連鎖を生成する。
  論文  参考訳（メタデータ） (2026-08-18T03:38:59Z)
• Open-Set Visual Text Forensics via Sparse-Constraint Rectified Flow [11.434432702589868]
  ジェネレーティブAIは、現在の法医学的検出をますます回避する高度なビジュアルテキスト操作を可能にする。 本稿では,検索画像と正確な視覚テキスト統計とを一致させるのに必要な局所的修復コストを推定し,タンパリングを局所化する生成検出器を提案する。 本手法は,F1 と IoU の3.2 と 4.8 をそれぞれ上回り,最先端性能を達成する。
  論文  参考訳（メタデータ） (2026-08-03T14:03:27Z)
• UniNDM: A Unified Noise-driven Detection and Mitigation Framework Against Sexual Content in Text-to-Image Generation [90.0896070825457]
  本稿では,拡散過程におけるノイズダイナミクスのレンズを通して,安全機構を再考する統合ノイズ駆動フレームワークを提案する。 我々の重要な洞察は、早期の予測ノイズは、正常な内容と性的な内容の間に固有の分離性を示すことである。 我々は,計算オーバーヘッドがほとんどなく,精度の高い軽量ノイズベース検出器を開発した。
  論文  参考訳（メタデータ） (2026-07-18T14:03:39Z)
• Measuring and Mitigating Toxicity in Large Language Models: A Comprehensive Replication Study [0.0]
  Webスケールコーパスでトレーニングされた大規模言語モデル(LLM)は、本質的にトレーニングデータから有害なパターンを吸収する。 復号時間エキスパート(Decoding-time Experts, DExperts)は、モデルの再訓練を必要とせずに生成を行う推論時間緩和手法である。 この研究は、明示的な毒性軽減と暗黙的な毒性軽減のギャップを強調することで、AI安全性に関する研究の活発化に寄与する。
  論文  参考訳（メタデータ） (2026-05-13T20:12:30Z)
• Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs [77.42033827176806]
  ワンショットフェデレートラーニング(One-Shot Federated Learning)は、単一のコミュニケーションラウンドでグローバルモデルを学ぶ中央サーバが、有望なパラダイムとして登場したものだ。 本稿では,合成画像の全パッチをフル活用してグローバルモデルをトレーニングする,新しいフェデレーションモデルインバージョンとトークンリラベルフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T15:49:08Z)
• Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
  機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。 MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。 本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
  論文  参考訳（メタデータ） (2026-02-08T16:06:12Z)
• Generalization Gaps in Political Fake News Detection: An Empirical Study on the LIAR Dataset [0.764671395172401]
  LIARベンチマークを用いて,9つの機械学習アルゴリズムの診断評価を行った。 モデルの重み付きF1スコアを超えないきめ細かい分類の「パフォーマンスシーリング」を発見した。 木に基づくアンサンブルの大規模な"一般化ギャップ"は、99%以上のトレーニング精度を達成したが、テストデータで約25%に崩壊した。
  論文  参考訳（メタデータ） (2025-12-20T23:08:18Z)
• Modeling the Attack: Detecting AI-Generated Text by Quantifying Adversarial Perturbations [2.7620215077666557]
  現代の検出器は敵の攻撃に弱いことで知られており、パラフレーズは効果的な回避技術として際立っている。 本稿では,まず,標準的な対人訓練の限界を定量化することにより,対人的堅牢性の比較研究を行う。 次に、新しい、はるかに回復力のある検出フレームワークを紹介します。
  論文  参考訳（メタデータ） (2025-09-22T13:03:53Z)
• Assessing Representation Stability for Transformer Models [2.41710192205034]
  代用テキスト攻撃はトランスフォーマーモデルに対する永続的な脅威である。 本稿では,モデル・アバーサ検出フレームワークであるRepresentation Stability (RS)を紹介する。 RSは、重要な単語がマスクされたときに、埋め込み表現がどのように変化するかを測定する。
  論文  参考訳（メタデータ） (2025-08-06T21:07:49Z)
• High-Fidelity Speech Synthesis with Minimal Supervision: All Using Diffusion Models [56.00939852727501]
  最小教師付き音声合成は、2種類の離散音声表現を組み合わせることでTSを分離する。 非自己回帰フレームワークは、制御可能性を高め、持続拡散モデルは、多様化された韻律表現を可能にする。
  論文  参考訳（メタデータ） (2023-09-27T09:27:03Z)
• Towards General Visual-Linguistic Face Forgery Detection [95.73987327101143]
  ディープフェイクは現実的な顔操作であり、セキュリティ、プライバシー、信頼に深刻な脅威をもたらす可能性がある。 既存の方法は、このタスクを、デジタルラベルまたはマスク信号を使用して検出モデルをトレーニングするバイナリ分類として扱う。 本稿では, 微粒な文レベルのプロンプトをアノテーションとして用いた, VLFFD (Visual-Linguistic Face Forgery Detection) という新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2023-07-31T10:22:33Z)
• Firearm Detection via Convolutional Neural Networks: Comparing a Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
  武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。 これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。 従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
  論文  参考訳（メタデータ） (2020-12-17T15:19:29Z)

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。