論文の概要: Fusion Under Component Failure: Negative Results and Failure Modes in Ensemble AI-Generated Image Detection

• arxiv url: http://arxiv.org/abs/2609.31749v1
• Date: Wed, 23 Sep 2026 08:14:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 13:09:33.584388
• Title: Fusion Under Component Failure: Negative Results and Failure Modes in Ensemble AI-Generated Image Detection
• Title（参考訳）: コンポーネント障害下の融合:AI生成画像のアンサンブルにおける負の結果と失敗モード
• Abstract要約: 我々は、AI生成画像検出のための通常の積み重ねアンサンブルを構築する。 3つのオープン・ディテクターが5つのスコアを発生させ、ディテクターの故障をデータ不足として扱います。 本稿は、これまでの結論を覆すものも含めて、どのようなコントロールが見つかったのかを報告する。
• 参考スコア（独自算出の注目度）: 1.3330055788395634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We built an ordinary stacking ensemble for AI-generated image detection -- three open detectors producing five scores, fused by a gradient-boosted meta-learner that treats a detector's failure as missing data -- deployed it, and then evaluated it against three controls it should have faced first. This paper reports what the controls found, including where they overturned our own earlier conclusions. Fusion is worth its cost only when refitted on the target domain. The shipped meta-learner, fitted on a separate corpus, does not beat its best single member on 2000 StyleGAN faces (AUC 0.9896 vs 0.9961; McNemar p = 1.000). But a stacker refitted in-domain beats that member plus a post-hoc calibrator (Delta-AUC = +0.0025, [+0.0014, +0.0038]; p = 3.4e-4). An earlier draft claimed the calibrated single detector won outright; that comparison mixed regimes and we correct it here. One corpus is not an evaluation. On 80 screenshots every model's AUC interval contains 0.5. We can say nothing stronger: the difference between the ensemble's drop and its best member's is [-0.185, +0.115]. Abstention is real, correlated, and mishandled. With four of five detectors silent and the survivor reporting "real", the system returns P(AI) = 0.9985, because an all-NaN input scores 0.9995 in a learner never fitted with missingness. The three AIDE checkpoints fail together, sharing one preprocessing path. A quorum rule requiring two distinct architectures prevents both failures with no retraining. We also find Corpus A carries a class-conditional JPEG bias severe enough to separate the classes from the header alone, which limits every in-domain number we report. Code, harness, hash-identified artifacts and all corrections are released.
• Abstract（参考訳）: 私たちは、AI生成画像検出のための通常の積み重ねアンサンブル(5つのスコアを生成する3つのオープン検出器)を構築しました。 本稿は、これまでの結論を覆すものも含めて、どのようなコントロールが見つかったのかを報告する。 核融合は、ターゲットドメインに再適合したときにのみコストがかかる。 出荷されたメタラーナーは別のコーパスに装着されており、2000年のスタイルGANで最高のシングルメンバー(AUC 0.9896 vs 0.9961; McNemar p = 1.000)には勝っていない。 しかし、ドメイン内で調整されたスタックは、そのメンバーとポストホックキャリブレータ(Delta-AUC = +0.0025, [+0.0014, +0.0038]; p = 3.4e-4)に打ち勝つ。 以前のドラフトでは、校正された単一検出器が完全に勝利したと主張した。 1つのコーパスは評価ではありません。 80のスクリーンショットでは、各モデルのAUC間隔は0.5である。 アンサンブルの落下と最高のメンバーの差は[-0.185, +0.115]である。 無視は本物で、相関があり、間違った扱いだ。 5つの検出器のうち4つが静かであり、生存者が「本物」と報告すると、システムはP(AI) = 0.9985を返す。 3つのAIDEチェックポイントが一緒に失敗し、1つの前処理パスを共有します。 2つの異なるアーキテクチャを必要とするクォーラムルールは、両方の失敗を再トレーニングせずに防止する。 また、Corpus Aはクラス条件のJPEGバイアスを持ち、ヘッダーのみからクラスを分離できるので、報告するドメイン内の番号に制限があります。 コード、ハーネス、ハッシュ識別されたアーティファクト、およびすべての修正がリリースされる。

関連論文リスト

• Not All Relations Are Equal: Relation-Balanced and Calibrated Graph Learning for Provenance-Based Intrusion Detection [69.06648810271712]
  本稿では,関係バランスの取れたグラフ学習を用いた教師なしフレームワークRECALについて述べる。 3つのDARPA E3データセットにおいて、RECALはF1スコアの99.99%、99.93%、99.99%を達成し、各データセットでそれぞれ0.88、0.82、0.42で最高のベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-09-15T00:31:01Z)
• Boundary-Mutation Testing for Pattern-Based Secret Detection: A Rule-Level Method and Cross-Scanner Evaluation [0.0]
  パターンベースシークレットスキャナにおける境界突然変異試験 3つのスキャナー(43ルールのオープンソーススキャナ、Gitleaks 8.21.2、TruffleHog 3.82.13)がテストされている。
  論文  参考訳（メタデータ） (2026-09-02T13:41:50Z)
• When Graph-JEPA Learns the Wrong Thing: Diagnosing and Repairing Category-Conditional Collapse [3.0255780640228984]
  共同埋め込み予測アーキテクチャは線形探索と有効ランクによってほぼ普遍的に選択される。 本報告では,表現中に使用可能なインスタンス情報がゼロである場合に,両者が正常に読まれる事例を報告する。 Graph-JEPAは、サブグラフの残りの側面から1つのマスクされたアスペクトを予測し、線形プローブ精度0.871と有効ランク18-47を達成する。 再現性監査とターゲットゲートを備えたハーネスをリリースする。
  論文  参考訳（メタデータ） (2026-08-20T19:22:49Z)
• Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
  クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。 共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。 このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
  論文  参考訳（メタデータ） (2026-08-08T13:22:14Z)
• Explaining AI-Image Detection: What the Heatmap Actually Shows [65.01025489527173]
  私たちは検出器を構築し、その証拠として属性マップを添付します。 私たちは、そのペアがコントロール下の186,527のイメージにもたらすものを測定します。 属性ランキングが存在するかどうかは、検出器が画像に反応するかどうかに依存する。
  論文  参考訳（メタデータ） (2026-07-31T16:07:05Z)
• What Does 99% Accuracy Measure? A Reproducible Audit of Shortcut Learning in a Widely Used Fake News Corpus [0.0]
  ISOT/Kaggle "Fake and Real News"コーパスで訓練されたテキスト分類器は、常に精度を報告し、F1は0.98以上である。 コーパスを3つのリークチャネルと2つの分散シフトプロトコルに沿って監査し、すべてのコードと派生番号を解放する。 3つのモデルはいずれも最寄りのランキング(ROC-AUC 0.54-0.57)に落ち、最下位のベースラインには勝っていない。
  論文  参考訳（メタデータ） (2026-07-26T11:00:45Z)
• Benchmark AUC Is Not Deployable Reliability: A Cross-Dataset Audit of Off-the-Shelf Features for Surveillance Video Anomaly Detection [0.0]
  自動的な“suspicious behavior”フラグングは、AI監視の柱となる約束だ。 Fieldは標準ビデオ異常検出ベンチマークで高フレームレベルのROC-AUCを報告している。 その仮定が下がったときに何が起こるか監査します。
  論文  参考訳（メタデータ） (2026-06-28T17:08:02Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Probabilistic Ranking-Aware Ensembles for Enhanced Object Detections [50.096540945099704]
  本稿では,検知器から箱を囲むことの信頼性を向上するPRAE(Probabilistic Ranking Aware Ensemble)という新しいアンサンブルを提案する。 また,異なる数の箱を扱う必要性によって生じる信頼の不均衡問題に対処するためのbanditアプローチも導入する。
  論文  参考訳（メタデータ） (2021-05-07T09:37:06Z)

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。