論文の概要: Generation Provenance Before Behavior Attribution: Auditing Synthetic Speech Research Objects

• arxiv url: http://arxiv.org/abs/2610.01378v1
• Date: Thu, 01 Oct 2026 09:45:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.038455
• Title: Generation Provenance Before Behavior Attribution: Auditing Synthetic Speech Research Objects
• Title（参考訳）: 行動帰属前の生成過程:合成音声研究対象の検討
• Abstract要約: 合成トレーニングデータにモデル行動をもたらすには、その原因を見積もる前に、各トレーニングアイテムが生成したものを知る必要がある。 本稿では,合成研究対象がソース仕様,生成コンテンツ,波形,ターゲット,事実要件,品質信号,レビューライン,不変なマニフェストアイデンティティを結合する生成保証基板を提案する。
• 参考スコア（独自算出の注目度）: 0.39287497907611874
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Attributing model behavior to synthetic training data requires knowing what produced each training item before estimating what that item caused. A waveform-label pair does not preserve this knowledge. We propose a generation-provenance substrate in which a synthetic research object binds source specification, generated content, waveform, target, fact requirements, quality signals, review lineage, and immutable manifest identity. Producer and selection mechanism determine evidentiary meaning; storage location and variable name do not. We audit this substrate in a private Japanese care-handoff pipeline. A 113-asset review population contains 1.552 hours of synthetic speech across six scenario families; all items have linked audio, transcripts, candidate notes, and fact checklists, but human evidence is selective and source-specific. Two faithful-only manifests are scenario-seed-disjoint and immutably versioned, while exact upstream attribution remains blocked by floating generator aliases, missing per-clip TTS and code stamps, and an unversioned checking prompt. We argue that generation provenance is necessary but not sufficient for behavior attribution: it defines the candidate causal graph and audit units, whereas contributive attribution still requires frozen training runs and intervention or influence evidence. The paper contributes a compact provenance contract, an audit protocol, and a bounded case study for synthetic-data attribution; controlled research access may be offered, but we do not claim causal training-data attribution, clinical validity, or unrestricted public release.
• Abstract（参考訳）: 合成トレーニングデータにモデル行動をもたらすには、その原因を見積もる前に、各トレーニングアイテムが生成したものを知る必要がある。 波形ラベル対はこの知識を保存しない。 本稿では,合成研究対象がソース仕様,生成コンテンツ,波形,ターゲット,事実要件,品質信号,レビューライン,不変なマニフェストアイデンティティを結合する生成保証基板を提案する。 プロデューサと選択メカニズムは明白な意味を決定する。 我々は,この基質を日本の私的ケア・ハンドオフパイプラインで評価する。 113アセットのレビュー人口は、6つのシナリオファミリで1.552時間、すべての項目が音声、書き起こし、候補ノート、ファクトチェックリストをリンクしているが、人間の証拠は選択的でソース固有である。 忠実な唯一の2つのマニフェストはシナリオシードの分離と不変のバージョニングであるが、正確な上流の属性はフローティングジェネレータエイリアスによってブロックされ、クリック毎のTSとコードスタンプが欠落している。 因果グラフと監査単位を定義する一方で、帰属的帰属は依然として凍結訓練と介入や影響証拠を必要とする。 本論文は, コンパクトな前処理契約, 監査プロトコル, および合成データの帰属に関する有界ケーススタディを提供し, 制御された研究アクセスを提供することができるが, 因果的データ帰属, 臨床的妥当性, あるいは非制限的公開を主張するものではない。

関連論文リスト

• Claim-Gated Source-Risk Auditing for Generative Search [5.329247092746233]
  生成検索は、サポートされたパスを引用するが、その解釈を変えるソース関係を省略することができる。 クェリソース回答のクレームゲート監査を指定する。 我々は、セマンティックな妥当性を確立するために、独立したアノテーション、保留評価、およびペアのユーティリティテストを定義する。
  論文  参考訳（メタデータ） (2026-09-24T07:22:14Z)
• Information Set Emulation: Causal Certificates for AI Derived EHR Features [0.0]
  AIモデルは、電子的健康記録から臨床的に意味のある特徴を回復することができるが、予測的有用性は因果推論に対する許容性を確立しない。 AI型リフトは、ソースエビデンス、臨床および記録時間、意思決定時可用性、表現バージョン、提案された因果関係の役割、そしてロックされたターゲットトライアルの下で抽出された特徴に対する未解決の曖昧さを付加する。
  論文  参考訳（メタデータ） (2026-09-15T19:39:36Z)
• VeriPhy: Agentic Physical Reasoning for World Model Evaluation and Refinement [57.86962208273888]
  テキストのみのプランナが入力された物理義務にプロンプトをコンパイルする監査可能な物理検証システムを提案する。 それぞれのアクションは、ペイロードがタイプされた測定か、明示的にタグ付けされた学習状態である証明付きエビデンスレコードを返す。 我々は, 実発生障害を即時参照, 空間, 時間でローカライズする, 1500クリックの欠陥記録のコーパスにおいて, 評価をアンロックする。
  論文  参考訳（メタデータ） (2026-09-02T20:36:45Z)
• When benchmark inferences do not compose: Projectibility in AI evaluation [0.0]
  AIベンチマークの結果が1ステップで連続的なクレームに達することはめったにない。 評価者はそれをさらなるケースに一般化し、能力の証拠として解釈し、新しいタスクに外挿し、他のシステムやサイトへ輸送する。 保証リンクは保証チェーンを自動的に作らない。
  論文  参考訳（メタデータ） (2026-07-28T18:07:04Z)
• Deterministic Integrity Gates for LLM-Assisted Clinical Manuscript Preparation: An Auditable Biomedical Informatics Architecture [0.3823356975862005]
  検証を伴うアーキテクチャペア生成を3つの原則に基づいて記述する。 この決定論的な分割は、整合性のある分類として組織化され、中核的な貢献である。 MedSci Skillsは、43のスキルのオープンソースツールキットで、21の決定論的階層を持ち、3つのパブリックデータセットパイプラインで評価されている。
  論文  参考訳（メタデータ） (2026-06-08T13:51:04Z)
• Trust, but Don't Verify: Epistemic Blind Spots in LLM Source Evaluation [0.0]
  モデルが生成した統計量を検出する能力を持っているが、マルチソース合成においてこの能力を採用していないことを示す。 具体的には、ソースの影響は、解析テキストの分布レジスタに応答するが、数値の有効性には反応しない方法論登録ゲートによって制御される。
  論文  参考訳（メタデータ） (2026-06-03T20:15:48Z)
• Not All Synthetic Data Is Yours to Learn From [68.13136636413601]
  弱い自己学習は、事前訓練モデルにすでに存在する能力を増幅できることを示す。 我々はこれを、プロンプトフリーな無条件自己学習の最小設定で研究する。
  論文  参考訳（メタデータ） (2026-05-29T10:34:11Z)
• AmbiFC: Fact-Checking Ambiguous Claims with Evidence [57.7091560922174]
  実世界の情報ニーズから10kクレームを抽出したファクトチェックデータセットであるAmbiFCを提示する。 アンビFCの証拠に対する主張を比較する際に,曖昧さから生じる不一致を分析した。 我々は,このあいまいさをソフトラベルで予測するモデルを開発した。
  論文  参考訳（メタデータ） (2021-04-01T17:40:08Z)

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。