論文の概要: Ontological Instability and Statistical Amplification: The Paradox of "Humanizing" LLM-Generated Text

• arxiv url: http://arxiv.org/abs/2610.03110v1
• Date: Fri, 02 Oct 2026 10:28:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.327781
• Title: Ontological Instability and Statistical Amplification: The Paradox of "Humanizing" LLM-Generated Text
• Title（参考訳）: オントロジー不安定性と統計的増幅 : LLM生成テキストのパラドックス
• Abstract要約: 意味的,構造的,およびトークン化器レベルの摂動の下で,RoBERTaに基づく検出器を解析する。 Mistral-7B-Instructが機械テキストの音をより人間らしくするよう要求されると、Verb Diversityは0.77から0.92に上昇し、出力は検出しやすくなった。
• 参考スコア（独自算出の注目度）: 0.2864713389096699
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised AI-text detectors report high benchmark accuracy, but it is not clear what their decisions are based on. We analyze a RoBERTa-based detector under semantic, structural, and tokenizer-level perturbations, using the M4 dataset (N = 10,000) and controlled generations (N = 300). When Mistral-7B-Instruct was asked to make machine text sound more human, Verb Diversity rose from 0.77 to 0.92 and the outputs became easier to detect. Detection scores appear to track statistical complexity, which also leads to a 76.3% false-positive rate on formal human writing. As a control, we evaluate event-based Latent Space detection. Paraphrasing changed 87% of its event sequences (Jaccard = 0.067), and homoglyphs altered 70% of the extracted verbs even though extraction still ran (Jaccard = 0.30). Its best domain AUC was 0.577. RoBERTa's robustness seems specific to the features it uses, and structural abstraction did not make detection more robust.
• Abstract（参考訳）: 監視されたAIテキスト検出器は、高いベンチマーク精度を報告しているが、その決定が何に基づいているのかは明らかになっていない。 我々は、M4データセット(N = 10,000)と制御世代(N = 300)を用いて、意味的、構造的、およびトークン化器レベルの摂動の下でRoBERTaベースの検出器を解析した。 Mistral-7B-Instructが機械テキストの音をより人間らしくするよう要求されると、Verb Diversityは0.77から0.92に上昇し、出力は検出しやすくなった。 検出スコアは統計的な複雑さを追跡しているようで、これはまた、正式な人間の筆記に76.3%の偽陽性率をもたらす。 制御として、イベントベースの遅延空間検出を評価する。 パラフレーズ化はイベントシーケンスの87% (Jaccard = 0.067) を変え、ホモグリフは抽出された動詞の70% (Jaccard = 0.30) を変更した。 最高のドメインAUCは0.577である。 RoBERTaの堅牢性は使用した機能に特有で、構造的抽象化によって検出がより堅牢になることはなかった。

関連論文リスト

• Can We Still Trust Disaster Social Sensing? Empirical Evidence on Detecting AI-Generated Social Media Posts [4.0219068239028655]
  災害社会センシングは、公共のソーシャルメディア投稿を状況認識と人道的ニーズの証拠に変換する。 本研究では、テキストベースのAI検出器が、AIによる災害投稿から人間を確実に識別できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-09-21T21:20:27Z)
• 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)
• Base Models Look Human To AI Detectors [68.7723287560362]
  ベースモデルから生成されたテキストは圧倒的に人間的であると判断されることが多いが、命令で調整されたテキストはそうではない。 提案するHumanization by Iterative Paraphrasing (HIP)は,ベースモデルをパラフラザーに最小限微調整し,反復的に適用する検出器非依存パイプラインである。 以上の結果から,現在の検出器は,機械生成テキストの概念よりも,命令チューニングやローカルコンテキストのアーティファクトを追跡していることが示唆された。
  論文  参考訳（メタデータ） (2026-05-19T08:13:12Z)
• Group-Adaptive Threshold Optimization for Robust AI-Generated Text Detection [58.419940585826744]
  本稿では,確率的AIテキスト検出のためのグループ固有しきい値最適化アルゴリズムであるFairOPTを紹介する。 属性(例えば、テキストの長さと書き込みスタイル)に基づいてデータをサブグループに分割し、FairOPTを実装して、各グループに対する決定しきい値の学習を行い、不一致を低減しました。 我々のフレームワークは、後処理によるAI生成コンテンツ検出において、より堅牢な分類の道を開く。
  論文  参考訳（メタデータ） (2025-02-06T21:58:48Z)
• Are AI-Generated Text Detectors Robust to Adversarial Perturbations? [9.001160538237372]
  AI生成テキスト(AIGT)の現在の検出器は、敵の摂動に対する堅牢性を欠いている。 本稿では,既存のAIGT検出手法の堅牢性について検討し,新しい検出器であるシームズキャリブレーション・リコンストラクション・ネットワーク(SCRN)を導入する。 SCRNは、テキストからのノイズの追加と除去に再構成ネットワークを使用し、局所的な摂動に対して堅牢な意味表現を抽出する。
  論文  参考訳（メタデータ） (2024-06-03T10:21:48Z)
• Paraphrasing evades detectors of AI-generated text, but retrieval is an effective defense [56.077252790310176]
  本稿では,パラフレーズ生成モデル(DIPPER)を提案する。 DIPPERを使って3つの大きな言語モデル(GPT3.5-davinci-003)で生成されたテキストを言い換えると、透かしを含むいくつかの検出器を回避できた。 我々は,言語モデルAPIプロバイダによって維持されなければならない,意味論的に類似した世代を検索するシンプルなディフェンスを導入する。
  論文  参考訳（メタデータ） (2023-03-23T16:29:27Z)
• DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability Curvature [143.5381108333212]
  大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。 次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。 我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
  論文  参考訳（メタデータ） (2023-01-26T18:44:06Z)

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。