論文の概要: Building Auditable AI Text Detectors with Sparse Autoencoders

• arxiv url: http://arxiv.org/abs/2610.30006v1
• Date: Wed, 21 Oct 2026 16:41:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.412647
• Title: Building Auditable AI Text Detectors with Sparse Autoencoders
• Title（参考訳）: スパースオートエンコーダを用いたAIテキスト検出器の構築
• Abstract要約: 我々は、微調整されたニューラル検出器を、人間の可読性の概念に基づいて動作する分類器に変換するパイプラインを提案する。 我々のSAEは、AI生成テキストの非常に具体的な予測的および言語的「星」に対応する潜在概念を復元する。
• 参考スコア（独自算出の注目度）: 26.931035130721174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI-generated text detectors are increasingly deployed in consequential settings---peer review, education, admissions, journalism, and content moderation---where their outputs directly affect individuals. Yet the strongest detectors are fine-tuned neural classifiers whose decisions are opaque, while transparent alternatives (stylometric and linguistic-feature classifiers) underperform them by wide margins. We present a pipeline that converts a fine-tuned neural detector into a classifier that operates on human-readable concepts. We accomplish this by training sparse autoencoders (SAEs) directly on a detector's residual stream, assigning auto-interpretation labels to each SAE feature, and retaining only features whose generated descriptions pass a global fidelity threshold. We then train a lightweight classifier on just the interpretable features. We find that our SAEs recover latent concepts that correspond to highly specific and predictive linguistic "tells" of AI-generated text. Classifiers built on these extracted features are not only highly interpretable but exhibit stronger performance on out-of-distribution texts than either neural or stylometric alternatives.
• Abstract（参考訳）: AIが生成するテキスト検出装置は、ペアレビュー、教育、入場、ジャーナリズム、コンテンツモデレーションなど、連続的な設定でますますデプロイされ、アウトプットは個人に直接影響する。 しかし、最強の検出器は、決定が不透明な微調整されたニューラル分類器であり、透明な代替品(スティロメトリおよび言語機能分類器)は、それらを広いマージンで上回っている。 我々は、微調整されたニューラル検出器を、人間の可読性の概念に基づいて動作する分類器に変換するパイプラインを提案する。 我々は、検出器の残留ストリームに直接スパースオートエンコーダ(SAE)をトレーニングし、各SAE特徴に自動解釈ラベルを割り当て、生成された記述がグローバルな忠実度閾値を超える特徴のみを保持することで、これを実現する。 次に、解釈可能な機能のみに基づいて軽量な分類器をトレーニングします。 我々のSAEは、AI生成テキストの高度に具体的で予測可能な言語的「星」に対応する潜在概念を復元する。 これらの特徴に基づいて構築された分類器は、高度に解釈可能であるだけでなく、ニューラルまたはテクスチャ的な代替品よりも、配布外テキストに強い性能を示す。

関連論文リスト

• Unsupervised Style Representation Learning for AI-Text Detection via Paraphrase Inversion [5.789169343514737]
  我々は、その機械生成パラフレーズから人間によるテキストを再構築するスタイルエンコーダを訓練する。 学習した表現を2つの検出戦略により評価する: 数発の検知器と0発のDeepSVDDベースの検出器である。
  論文  参考訳（メタデータ） (2026-06-08T19:28:52Z)
• 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)
• AuthorMist: Evading AI Text Detectors with Reinforcement Learning [4.806579822134391]
  AuthorMistは、AI生成したテキストを人間ライクな文章に変換する、新しい強化学習ベースのシステムだ。 AuthorMistは,本来の意味を保ちながら,AI生成テキストの検出性を効果的に低減することを示す。
  論文  参考訳（メタデータ） (2025-03-10T12:41:05Z)
• 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)
• Multiscale Positive-Unlabeled Detection of AI-Generated Texts [27.956604193427772]
  短文検出の難しさに対処するため,MPUトレーニングフレームワークを提案する。 MPU法は、長いAI生成テキストの検出性能を向上し、言語モデル検出器の短文検出を大幅に改善する。
  論文  参考訳（メタデータ） (2023-05-29T15:25:00Z)
• Can AI-Generated Text be Reliably Detected? [50.95804851595018]
  大規模言語モデル(LLM)は、様々なアプリケーションで非常によく機能します。 盗作、偽ニュースの発生、スパムなどの活動においてこれらのモデルが誤用される可能性があることは、彼らの責任ある使用に対する懸念を引き起こしている。 我々は、攻撃者の存在下で、これらのAIテキスト検出装置の堅牢性を強調テストする。
  論文  参考訳（メタデータ） (2023-03-17T17:53:19Z)

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。