論文の概要: Multimodal AI Detection for Math-Heavy Scientific Text

• arxiv url: http://arxiv.org/abs/2610.21062v1
• Date: Thu, 15 Oct 2026 01:10:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 19:13:16.115616
• Title: Multimodal AI Detection for Math-Heavy Scientific Text
• Title（参考訳）: 数量重科学テキストのマルチモーダルAI検出
• Abstract要約: PDFから抽出されたテキストのみに依存する既存の検出器は、数学に重きを置く科学内容のフォーマットに含まれる豊富な視覚情報の恩恵を受けない。 私たちはSnapJudgeを訓練します。画像ベースの検出器で、散文と論文の両方のスクリーンショットで動作します。 0.1%の偽陽性率で、SnapJudgeはフロンティアモデルで生成された散文の92%と93%の検出率を達成する。
• 参考スコア（独自算出の注目度）: 31.342495142734474
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: As large language models become increasingly capable of generating, and assisting with, scientific writing, there is a need for greater transparency and disclosure around the use of AI in research. Consequently, a veritable subfield of research and a number of commercial services aim to flag AI-generated content automatically. However, existing detectors which rely only on text extracted from PDFs fail to benefit from the rich visual information contained in the formatting of math-heavy scientific content. To study this, we select human-written proof and prose passages from pre-2022 arXiv LaTeX sources and re-generate them using 15 modern LLMs within the context of the same paper. This leaves us with coupled human and AI outputs in three different representations: the LaTeX source, a rendered image of the PDF, and the text extracted from the PDF. We find that the accuracy of the state-of-the-art Pangram 4 drops significantly as the mathematical content in a passage increases, especially when evaluated on text as opposed to LaTeX. However, this is not an inherent limitation of detecting AI-generated math: finetuning Qwen-3.5-27B based detectors on this domain recovers the gap, with LaTeX inputs performing significantly better than text since they preserve more formatting information. Since LaTeX sources are rarely available in practice, we also train SnapJudge: an image-based detector operating on screenshots of both prose and proofs from papers. At 0.1% false positive rate, SnapJudge achieves a detection rate of 92% on proofs and 93% on prose generated by frontier models, substantially outperforming both Pangram 4 and our text-based detector. We release our data, models and code at https://nlplab.cs.duke.edu/snapjudge.
• Abstract（参考訳）: 大規模言語モデルは、科学的な文章を作成、支援する能力がますます高まっているため、研究におけるAIの使用に関する透明性と開示がさらに必要である。 その結果、検証可能な研究サブフィールドと多くの商用サービスは、AI生成コンテンツを自動でフラグ付けすることを目指している。 しかし、PDFから抽出されたテキストのみに依存する既存の検出器は、数学に重きを置く科学内容のフォーマットに含まれる豊富な視覚情報の恩恵を受けない。 そこで本研究では,2022年以前のarXiv LaTeXソースから人文による証明と散文を抽出し,同じ論文の文脈内で15の近代LCMを用いて再生成する。 これにより、LaTeXソース、PDFのレンダリング画像、PDFから抽出されたテキストの3つの異なる表現で、人間とAIの複合出力が残されます。 文中の数学的内容が増大するにつれて,最先端のパングラム4の精度は著しく低下し,特にLaTeXと対照的にテキストで評価した場合に顕著に低下することがわかった。 しかし、この領域でQwen-3.5-27Bベースの検出器を微調整することでギャップが回復する。 LaTeXソースは実際にはほとんど利用できないため、SnapJudgeもトレーニングしています。 偽陽性率0.1%のSnapJudgeは、証明で92%、フロンティアモデルで生成した散文で93%の精度で検出し、Pangram 4とテキストベースの検出器ではかなり上回った。 データ、モデル、コードはhttps://nlplab.cs.duke.edu/snapjudge.comで公開しています。

関連論文リスト

• Diversity Boosts AI-Generated Text Detection [51.56484100374058]
  DivEyeは、予備的な機能を使って、予測不可能がテキスト間でどのように変動するかをキャプチャする、新しいフレームワークである。 提案手法は、既存のゼロショット検出器を最大33.2%向上させ、微調整ベースラインとの競合性能を達成する。
  論文  参考訳（メタデータ） (2025-09-23T10:21:22Z)
• MathBridge: A Large Corpus Dataset for Translating Spoken Mathematical Expressions into $LaTeX$ Formulas for Improved Readability [10.757551947236879]
  数学的な文を公式に翻訳する最初の広範囲なデータセットであるMathBridgeを紹介する。 MathBridgeは、数学的な音声文から公式に変換するための事前訓練された言語モデルの能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-08-07T18:07:15Z)
• MixTex: Unambiguous Recognition Should Not Rely Solely on Real Data [0.0]
  本稿では,低バイアス多言語認識のためのエンドツーエンドOCRモデルであるMixTexを紹介する。 例えば、e-t$ を $e-t$ と誤解釈する場合などである。 本稿では,このバイアスを軽減するために,革新的なデータ拡張手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T21:38:36Z)
• MathNet: A Data-Centric Approach for Printed Mathematical Expression Recognition [2.325171167252542]
  ベンチマークデータセットim2latex-100kの改良版を提示し,30フォントを特徴とする。 第2に,論文からMEを抽出した実世界のデータセット realFormula を紹介する。 第3に、畳み込み視覚変換器をベースとしたMERモデルMathNetを開発し、4つのテストセットすべてにおいて優れた結果を得た。
  論文  参考訳（メタデータ） (2024-04-21T14:03:34Z)
• Technical Report on the Pangram AI-Generated Text Classifier [0.14732811715354457]
  トランスフォーマーをベースとしたニューラルネットワークであるPangram Textについて紹介する。 パングラムテキストは英語以外の話者に偏りがなく、訓練中に見つからないドメインやモデルに一般化されていることを示す。
  論文  参考訳（メタデータ） (2024-02-21T17:13:41Z)
• Enhancing Scene Text Detectors with Realistic Text Image Synthesis Using Diffusion Models [63.99110667987318]
  DiffTextは、前景のテキストと背景の本質的な特徴をシームレスにブレンドするパイプラインです。 テキストインスタンスが少なくなると、生成したテキストイメージはテキスト検出を支援する他の合成データを一貫して上回ります。
  論文  参考訳（メタデータ） (2023-11-28T06:51:28Z)
• MAGE: Machine-generated Text Detection in the Wild [82.70561073277801]
  大規模言語モデル(LLM)は人間レベルのテキスト生成を実現し、効果的なAI生成テキスト検出の必要性を強調している。 我々は、異なるLLMによって生成される多様な人文やテキストからテキストを収集することで、包括的なテストベッドを構築する。 問題にもかかわらず、トップパフォーマンス検出器は、新しいLCMによって生成された86.54%のドメイン外のテキストを識別することができ、アプリケーションシナリオの実現可能性を示している。
  論文  参考訳（メタデータ） (2023-05-22T17:13:29Z)
• 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)
• How to Train Your Agent to Read and Write [52.24605794920856]
  研究論文の読み書きは、資格のある研究者が習得すべき最も特権のある能力の1つである。 読者が論文を読み、要約できるようにインテリジェントなエージェントを訓練し、おそらく新しい論文を書くための潜在的な知識の手がかりを発見し、活用できれば、それは魅力的です。 本研究では,入力段落から知識グラフ(KG)を抽出して潜在的な知識を発見できるtextitReader,新規段落を生成するgraph-to-text TextitWriter,およびtextitから構成されるDeep ReAder-Writer(DRAW)ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-01-04T12:22:04Z)

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。