論文の概要: EASE: Entropy-Adaptive Distribution Shaping for Evading AI-generated Text Detectors

• arxiv url: http://arxiv.org/abs/2610.09976v1
• Date: Wed, 07 Oct 2026 12:41:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.908892
• Title: EASE: Entropy-Adaptive Distribution Shaping for Evading AI-generated Text Detectors
• Title（参考訳）: EASE:AI生成したテキスト検出器のエントロピー適応型分散シェーピング
• Abstract要約: 本稿では,AIGT検出器の回避を目的としたEASE(Entropy-Adaptive Distribution Shaping for Evasion)を提案する。 EASEは、ソースLLMの次のトーケン分布から直接予測エントロピーを計算し、ロジット摂動とサンプリング温度の両方に適応させる。 3つのソースLLMと複数の検出器による実験は、テキスト品質の無視可能な低下と無視可能な推論オーバーヘッドにより、検出性能が一貫した低下を示す。
• 参考スコア（独自算出の注目度）: 13.157301976899285
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: AI-generated text (AIGT) detection can be sensitive to the decoding choices of the source large language model (LLM). We observe that perturbing next-token logits or adjusting sampling temperature can reduce detection performance, providing a clear signal of detector vulnerability to decoding-time distribution changes. Building on this observation, we propose EASE (Entropy-Adaptive Distribution Shaping for Evasion), a training-free and detector-agnostic framework for evading AIGT detectors. EASE computes predictive entropy directly from the source LLM's next-token distribution and uses it to adapt both logit perturbation and sampling temperature, without detector feedback or model fine-tuning. Experiments across three source LLMs and multiple detectors demonstrate consistent reductions in detection performance, with negligible degradation in text quality and negligible inference overhead.
• Abstract（参考訳）: AI生成テキスト(AIGT)検出は、ソース大言語モデル(LLM)の復号化選択に敏感である。 我々は,次点検点の摂動やサンプリング温度の調整により検出性能が低下し,復号時分布変化に対する検出脆弱性の明確な信号が得られることを観察した。 本研究は,AIGT検出器回避のためのトレーニング不要かつ検出不能なフレームワークであるEASE(Entropy-Adaptive Distribution Shaping for Evasion)を提案する。 EASEは、ソースLLMの次のトーケン分布から直接予測エントロピーを計算し、検出フィードバックやモデル微調整なしで、ロジット摂動とサンプリング温度の両方を適応させる。 3つのソースLLMと複数の検出器による実験は、テキスト品質の無視可能な低下と無視可能な推論オーバーヘッドにより、検出性能が一貫した低下を示す。

関連論文リスト

• LLM Self-Recognition: Steering and Retrieving Activation Signatures [2.992414059774663]
  解釈可能性の最近の進歩は、大きな言語モデルがその出力の自己認識を可能にする信号を暗黙的に符号化していることを示唆している。 この能力は低エントロピーシナリオにおいても信頼性があり、ターゲットの介入によって増幅可能であることを実証する。 このアプローチは、外部に信号を埋め込むのではなく、モデルの自然な表現構造を利用して、従来の検出器に代わる実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2026-06-04T15:54:34Z)
• Fault detection and diagnosis for the engine electrical system of a space launcher based on a temporal convolutional autoencoder and calibrated classifiers [0.0]
  本稿では,次世代再利用可能な宇宙ランチャーの故障検出・診断機能開発に向けた第一歩を概説する。 文献における既存のアプローチとは異なり、我々のソリューションはより広い範囲の重要な要件を満たすように設計されています。 提案手法は、時間畳み込みオートエンコーダに基づいて、原センサデータから低次元特徴を自動的に抽出する。
  論文  参考訳（メタデータ） (2025-07-17T11:50:29Z)
• Noisy Test-Time Adaptation in Vision-Language Models [73.14136220844156]
  テスト時間適応(TTA)は、テスト中のターゲットデータのみに依存することにより、ソースデータとターゲットデータの分散シフトに対処することを目的としている。 本稿では、ゼロショット方式で、テスト時にノイズのあるサンプルをターゲットとするデータにモデルを適応させることに焦点を当てたゼロショットノイズTTA(ZS-NTTA)を提案する。 本稿では, 冷凍機の出力を擬似ラベルとして利用し, ノイズ検出器の訓練を行う適応ノイズ検出器(AdaND)を提案する。
  論文  参考訳（メタデータ） (2025-02-20T14:37:53Z)
• Anomaly Detection via Autoencoder Composite Features and NCE [1.2891210250935148]
  オートエンコーダ(AE)または生成モデルは、通常入力のデータ分布をモデル化するためにしばしば使用される。 ノイズコントラスト推定(NCE)を訓練したAEと確率モデルの両方が異常検出を行うための非結合型トレーニング手法を提案する。
  論文  参考訳（メタデータ） (2025-02-04T01:29:22Z)
• An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
  電力系統の信頼性を確保するためには絶縁体の検査が重要である。 検査プロセスを自動化するために、ディープラーニングがますます活用されています。 本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2023-11-14T11:36:20Z)
• AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
  既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。 本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。 本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。 次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
  論文  参考訳（メタデータ） (2023-07-20T09:06:21Z)
• EARL: An Elliptical Distribution aided Adaptive Rotation Label Assignment for Oriented Object Detection in Remote Sensing Images [22.963695067213084]
  アダプティブ・ローテーション・ラベル・アサインメント (EARL) は、アンカーフリー検出器において、高品質な正のサンプルを適応的に選択するために提案される。 本稿では,ターゲットの規模に応じて多レベル特徴写像の中から適応的にサンプルを選択するために,適応型スケールサンプリング(ADS)戦略を提案する。 さらに, 動的楕円分布支援サンプリング (DED) 戦略を提案し, 試料分布をより柔軟にし, ターゲットの形状や配向に適合させる。
  論文  参考訳（メタデータ） (2023-01-14T08:32:16Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。