論文の概要: CAPTCHAs in the Agentic Era: Solvers That Learn from Every Encounter

• arxiv url: http://arxiv.org/abs/2609.02393v1
• Date: Wed, 02 Sep 2026 10:04:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.22877
• Title: CAPTCHAs in the Agentic Era: Solvers That Learn from Every Encounter
• Title（参考訳）: エージェント時代のCAPTCHA:すべての会計士から学ぶソリューション
• Abstract要約: 我々のシステムは、細調整されたYOLOv8検出器と、信頼性ベースのルータの後ろにあるオープンウェイトVLMとをペアリングする。 16のクラスで85.4%、マクロ精度84.2%に達し、どちらのコンポーネントも上回っている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Vision-language models (VLMs) can solve visual CAPTCHAs without task-specific training, but the agents built on them approach every challenge from scratch. For such an agent, the hundredth instance of a familiar puzzle costs as much time and compute as the first. Specialized detectors invert the trade-off, answering in milliseconds but only for categories they were trained on. Neither improves with exposure. We study what changes when a solver improves with use. Our system pairs a fine-tuned YOLOv8 detector with an open-weight VLM behind a confidence-based router, and runs entirely from screenshots and operating-system input events, with no browser automation or DOM access. It reaches 85.4% overall and 84.2% macro accuracy across 16 classes, exceeding either component alone. Every answer VLM produces also serves as a training label, so the detector absorbs categories it was never trained for, typically after one or two encounters and without human annotation. The same loop also repairs it. A CAPTCHA operator can perturb images against the publicly released detector and drive its accuracy to 0%, but the perturbations leave VLM untouched, and its labels let the detector recover. Under a year-long simulated arms race in which the CAPTCHA operator re-crafts its perturbations each month, the solver recovers every round, and a cheap ~70%-accurate open-weight teacher hardens it as effectively as a perfect oracle. Visual CAPTCHA defenses that assume a failing bot stays failing therefore understate how quickly an adaptive solver returns.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、タスク固有のトレーニングなしで視覚的なCAPTCHAを解決することができるが、それら上に構築されたエージェントは、ゼロからあらゆる課題にアプローチする。 そのようなエージェントにとって、おなじみのパズルの100番目の例は、最初のものと同じくらいの時間と計算時間である。 特殊な検出器はトレードオフを反転させ、ミリ秒で応答するが、訓練されたカテゴリーのみに限られる。 露光によっても改善はしない。 問題解決者が使い勝手を改善するときの変化について検討する。 我々のシステムは、細調整されたYOLOv8検出器と、信頼ベースのルータの背後にあるオープンウェイトなVLMとをペアリングし、ブラウザの自動化やDOMアクセスなしに、スクリーンショットとオペレーティングシステムの入力イベントから完全に動作する。 16のクラスで85.4%、マクロ精度84.2%に達し、どちらのコンポーネントも上回っている。 すべての答え VLM はトレーニングラベルとしても機能するので、検知器は訓練されたことのないカテゴリを吸収する。 同じループも修復する。 CAPTCHAオペレーターは、公開された検出器に対して画像を摂動させ、その精度を0%に駆動するが、その摂動はVLMを無傷で残し、そのラベルは検出器を回復させる。 CAPTCHAオペレーターが毎月摂動を再現する1年間の模擬武器レースでは、解決者は全てのラウンドを回復し、安価な70%の精度のオープンウェイトな教師はそれを完璧なオラクルとして効果的に強化する。 視覚的なCAPTCHAは、失敗するボットが失敗し続けると仮定し、従って適応的解法がどれだけ早く戻ってくるかを下記しておく。

関連論文リスト

• PromptShield Home: Ambient Multimodal Prompt Injection Defense for Smart-Home Agents [9.252112072251002]
  ホームアシスタントはビデオや音声を直接知覚するマルチモーダルな大言語モデル(MLLM)をますます利用している。 エージェントは、本物のユーザーコマンドを、周囲または外部にソースされたコンテンツから伝えることができますか? PromptShield-Homeは、住所のあいまいさ、スクリーン/オーディオインジェクション、ヘルスモニタの誤ったトリガー、混在した占有力、正統なコマンドフロアにまたがるリアルなスマートホームシナリオのパイロットベンチマークである。
  論文  参考訳（メタデータ） (2026-08-06T00:51:46Z)
• What Does It Take to Detect an AI Agent? Minimal Feature Sets for Behavioral Detection under Browser Automation [0.9626041809440635]
  大規模に展開されたボット検出器は、トラフィックをバイナリとして扱う。 我々は、人間、ボット、AIエージェントを区別する3クラス検出フレームワークを提案する。 バイナリヒューマンvsボット検出器は,ラベル空間にエージェントクラスがないため,エージェントセッションを不正に検出する。
  論文  参考訳（メタデータ） (2026-07-29T14:05:26Z)
• CAST: Game Solvers as Turn-Level Teachers for LLM Agents [78.2379284312811]
  大きな言語モデル(LLM)を訓練して、長距離ゲームで動作させることは、ジェネラリストの意思決定に向けた有望なステップである。 デンサープロセスの信号はこのターンレベルの信用を欠く可能性があるが、既存の情報源は安価で正確な情報を維持することは難しい。 本稿では,ゲームソルバの状態値の変化をデザイナの利点に変換し,ターンレベルの信号としてRLVRに注入するCASTを提案する。
  論文  参考訳（メタデータ） (2026-07-28T05:39:01Z)
• CaptchaMind: Training CAPTCHA Solvers via Reinforcement Learning with Explicit Reasoning Supervision [50.35579781554922]
  CaptchaベースのCaptchaベースのRLMindを導入し、8つのタスクの平均成功率は82.9%、現実世界のインスタンスでは72.9%に達した。 RLMindは8つのタスクで平均成功率82.9%、実世界のインスタンスで平均成功率72.9%を達成し、明確な推論プロセスの監督を訓練した。
  論文  参考訳（メタデータ） (2026-05-19T08:38:44Z)
• AgentShield: Deception-based Compromise Detection for Tool-using LLM Agents [4.36595961990666]
  AgentShieldは詐欺ベースの検出フレームワークである。 エージェントのツールインターフェース内に3つのトラップ層を配置する。 攻撃の成功率は90.7%-100%で、485の正常使用試験では誤報はゼロである。
  論文  参考訳（メタデータ） (2026-05-10T20:08:27Z)
• CAPTCHA Solving for Native GUI Agents: Automated Reasoning-Action Data Generation and Self-Corrective Training [18.35670595652216]
  ReCAPはCAPTCHA対応のネイティブGUIエージェントで、現代的なインタラクティブなCAPTCHA課題を堅牢に解決することができる。 我々は,大規模CAPTCHAインタラクショントラジェクトリを生成する自動データ収集とキュレーションパイプラインを開発した。 CAPTCHAの解法は、しばしば多段階の相互作用と中間ミスからの回復を必要とするため、失敗トラジェクトリを利用して自己補正データを構築する。 ホールドアウトテストセット全体で、ReCAPはCAPTCHA解決の成功を約30%から80%に改善し、一般的なGUIエージェントベンチマークでは高いパフォーマンスを維持している。
  論文  参考訳（メタデータ） (2026-03-23T23:35:59Z)
• Dynamic Cheatsheet: Test-Time Learning with Adaptive Memory [52.44029486173232]
  Dynamic Cheatsheet(DC)は、永続的で進化するメモリを備えたブラックボックス言語モデルを提供する軽量フレームワークである。 DCは、蓄積した戦略、コードスニペット、および推論時に一般的な問題解決の洞察をモデルが保存し再利用することを可能にする。 このテストタイム学習は、明確な地味なラベルや人間のフィードバックを必要とせずに、幅広いタスクのパフォーマンスを大幅に向上させる。
  論文  参考訳（メタデータ） (2025-04-10T17:57:33Z)
• Gradient Cuff: Detecting Jailbreak Attacks on Large Language Models by Exploring Refusal Loss Landscapes [61.916827858666906]
  大規模言語モデル(LLM)は、ユーザがクエリを入力し、LLMが回答を生成する、顕著な生成AIツールになりつつある。 害と誤用を減らすため、人間のフィードバックからの強化学習のような高度な訓練技術を用いて、これらのLLMを人間の価値に合わせる努力がなされている。 近年の研究では、組込み安全ガードレールを転覆させようとする敵のジェイルブレイクの試みに対するLLMの脆弱性を強調している。 本稿では,脱獄を検知するGradient Cuffという手法を提案する。
  論文  参考訳（メタデータ） (2024-03-01T03:29:54Z)
• EnSolver: Uncertainty-Aware Ensemble CAPTCHA Solvers with Theoretical Guarantees [1.9649272351760065]
  本研究では, 深層アンサンブル不確実性を利用して分布外CAPTCHAを検出し, スキップする解法であるEnrを提案する。 我々は,解法の有効性に新たな理論的限界を証明し,その応用を最先端のCAPTCHA解法で実証する。
  論文  参考訳（メタデータ） (2023-07-27T20:19:11Z)
• Mask and Restore: Blind Backdoor Defense at Test Time with Masked Autoencoder [50.1394620328318]
  既存のバックドア防御手法では、いくつかのバリデーションデータとモデルパラメータにアクセスする必要があることが多い。 Masked AutoEncoder (BDMAE) を用いたブラインドバックドアディフェンスの提案 BDMAEは、画像の構造的類似性と、テスト画像とMAE復元の間のラベルの整合性を用いて、可能な局所的なトリガを検出する。
  論文  参考訳（メタデータ） (2023-03-27T19:23:33Z)
• Test-time Detection and Repair of Adversarial Samples via Masked Autoencoder [14.623148913247983]
  敵の訓練として知られる訓練時間の防衛は、高い訓練コストを発生させ、目に見えない攻撃に一般化しない。 我々は,Masked Autoencoder (MAE) を用いて,テスト時の対向検体の検出と修復を行う新しいディフェンス手法であるDRAMを提案する。 大規模なImageNetデータセットの結果、評価されたすべての検出ベースラインと比較して、DRAMは評価された8つの敵攻撃に対して、最高の検出率(平均82%)を達成している。
  論文  参考訳（メタデータ） (2023-03-22T18:14:02Z)
• Detection of Novel Social Bots by Ensembles of Specialized Classifiers [60.63582690037839]
  悪意ある俳優は、社会ボットとして知られるアルゴリズムによって部分的に制御される不正なソーシャルメディアアカウントを作成し、誤情報を広め、オンラインでの議論を扇動する。 異なるタイプのボットが、異なる行動特徴によって特徴づけられることを示す。 本稿では,ボットのクラスごとに専門的な分類器を訓練し,それらの決定を最大ルールで組み合わせる,教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2020-06-11T22:59:59Z)

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。