論文の概要: LA-CPD: Local-Evidence-Aware Change-Point Detection for Human-LLM Authorship Segmentation

• arxiv url: http://arxiv.org/abs/2609.33787v1
• Date: Sun, 27 Sep 2026 17:32:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-04 16:46:10.16496
• Title: LA-CPD: Local-Evidence-Aware Change-Point Detection for Human-LLM Authorship Segmentation
• Title（参考訳）: LA-CPD:Human-LLMオーサシップセグメンテーションのためのローカルエビデンス対応変更点検出
• Abstract要約: Local-Evidence-Aware Change-Point Detectionは、ノイズの多い文レベルのスコアシーケンスをコヒーレントなオーサシップセグメントに変換する。 LA-CPDは人間とLLMが共著したテストセットでWCP+AICを上回り、文章レベルの精度は0.747から0.796に向上した。
• 参考スコア（独自算出の注目度）: 11.090760508799503
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As LLM-generated text becomes increasingly human-like, accurately localizing LLM-authored spans in human-LLM co-authored documents is important for attribution and accountability in cases involving copyright infringement, fraud, and other harmful uses of AI-generated content. Sentence-level detectors provide local authorship evidence, but content variation can cause score fluctuations even among sentences from the same source, creating spurious boundaries. Recovering a coherent document partition therefore remains challenging when both the number and locations of authorship transitions are unknown. We propose Local-Evidence-Aware Change-Point Detection (LA-CPD), a structured method that transforms noisy sentence-level score sequences into coherent authorship segments. Given scores from a frozen local detector, LA-CPD combines a length-weighted within-segment residual with a windowed two-mean contrast to capture segment consistency and sustained changes around candidate cut points. Dynamic programming optimizes cut locations for each candidate count, while an AIC-style criterion selects the final partition, yielding sentence labels, authorship boundaries, and maximal LLM-authored spans. On a held-out human-LLM co-authored test set, LA-CPD outperforms WCP+AIC, increasing sentence-level accuracy from 0.747 to 0.796 while improving boundary localization and LLM-span delineation.
• Abstract（参考訳）: LLMが生成するテキストがますます人間らしくなり、人間とLLMが共著した文書でLLMが作成したスパンを正確にローカライズすることが、著作権侵害、詐欺、その他のAI生成コンテンツの有害な利用を含む場合の帰属と説明責任にとって重要である。 文レベルの検出器は、局所的なオーサシップの証拠を提供するが、内容の変化は、同じソースからの文でさえスコアの変動を引き起こし、急激な境界を生み出す。 したがって、著者遷移の数と場所が不明な場合、一貫性のある文書分割を復元することは依然として困難である。 雑音の多い文レベルのスコアシーケンスをコヒーレントなオーサリングセグメントに変換する構造化手法であるLA-CPD(Local-Evidence-Aware Change-Point Detection)を提案する。 凍った局所検出器のスコアが与えられた場合、LA-CPDは長さの重み付けされた内部の残留物と窓の2平均のコントラストを組み合わせ、セグメントの一貫性を捉え、候補カットポイントの周囲の変化を持続させる。 動的プログラミングは各候補数に対してカットされた位置を最適化し、AICスタイルの基準は最終分割を選択し、文ラベル、著者境界、最大LLM指定スパンを出力する。 LA-CPDは、人間とLLMが共著したテストセットにおいて、WCP+AICより優れ、文章レベルの精度は0.747から0.796に向上し、境界ローカライゼーションとLLM-spanデライン化を改善した。

関連論文リスト

• Detecting LLM-Generated Tokens in Human--LLM Coauthored Text [11.447769496973137]
  LLM生成テキストを検出する既存の方法は、主に文書レベルの分類に焦点を当てており、LLMが生成するテキストのどの部分を識別できない。 本稿では,この緊急ニーズに対処する新しい手法を提案する。 提案手法は,現代言語モデルの自然な単位であるトークンレベルで動作し,既存のトークンレベルの検出スコアに基づいて構築する。
  論文  参考訳（メタデータ） (2026-07-23T16:01:16Z)
• Segmenting Human-LLM Co-authored Text via Change Point Detection [14.004322032566217]
  大規模言語モデル(LLM)の台頭は、人間の書き起こしたテキストとLLM生成したテキストを区別する緊急の必要性を生み出している。 既存の検出器は通常、通路全体のバイナリ分類を提供する。 我々は,テキストを人間とLLMの著作物に分割するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2026-05-05T13:08:55Z)
• Job Skill Extraction via LLM-Centric Multi-Module Framework [51.37063712967151]
  本稿では,意味検索,文脈内学習,教師付き微調整を組み合わせたLLM中心のフレームワークであるSRICLを提案する。 SRICLは、6つの公的なスパンラベル付きジョブアド文のコーパスにおいて、GPT-3.5よりも相当なSTRICT-F1の改善を達成し、ベースラインを加速し、無効なタグと幻覚したスパンを激減する。
  論文  参考訳（メタデータ） (2026-04-23T10:46:07Z)
• Unsupervised Text Segmentation via Kernel Change-Point Detection on Sentence Embeddings [0.0]
  境界ラベルは高価で主観的で、ドメイン間での転送や粒度の選択に失敗することが多いため、教師なしのテキストセグメンテーションが不可欠である。 我々は,文を埋め込みベクトルとして表現し,ペナル化KCPDの目的を最小化して境界を推定する訓練自由な手法であるEmbed-KCPDを提案する。 Taylor Swiftのツイートに関するケーススタディでは、Embed-KCPDは強力な理論的保証、シミュレーションされた信頼性、テキストセグメンテーションの実践的有効性を組み合わせている。
  論文  参考訳（メタデータ） (2026-01-26T18:54:34Z)
• Detecting Post-generation Edits to Watermarked LLM Outputs via Combinatorial Watermarking [51.417096446156926]
  ウォーターマークされたLCM出力に局所的に編集されたポストジェネレーションの編集を検出する。 本稿では,語彙を部分集合に分割し,透かしを埋め込むパターンベースの透かしフレームワークを提案する。 本手法は,様々な編集シナリオにおけるオープンソースのLCMについて評価し,編集ローカライゼーションにおける強力な経験的性能を示す。
  論文  参考訳（メタデータ） (2025-10-02T03:33:12Z)
• LAQuer: Localized Attribution Queries in Content-grounded Generation [69.60308443863606]
  グラウンドドテキスト生成モデルは、しばしば元の資料から逸脱したコンテンツを生成し、正確性を保証するためにユーザの検証を必要とする。 既存の属性メソッドは、全文とソース文書を関連付けるが、これは特定のクレームを事実チェックしようとするユーザにとって圧倒的に多い。 これは、生成された出力の選択したスパンを対応するソーススパンにローカライズし、きめ細かな、ユーザ指向のアトリビューションを可能にする新しいタスクである。
  論文  参考訳（メタデータ） (2025-06-01T21:46:23Z)
• Your Language Model Can Secretly Write Like Humans: Contrastive Paraphrase Attacks on LLM-Generated Text Detectors [77.82885394684202]
  テキスト検出を効果的に欺く訓練不要な方法である textbfContrastive textbfParaphrase textbfAttack (CoPA) を提案する。 CoPAは、大規模言語モデルによって生成される人間のような分布とは対照的に、補助的な機械的な単語分布を構築している。 我々の理論的分析は、提案された攻撃の優越性を示唆している。
  論文  参考訳（メタデータ） (2025-05-21T10:08:39Z)

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。