論文の概要: CHORD: Cross-Model Hallucination Detection via Relational Graph Discrimination

• arxiv url: http://arxiv.org/abs/2610.38314v1
• Date: Wed, 28 Oct 2026 05:58:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:09.956433
• Title: CHORD: Cross-Model Hallucination Detection via Relational Graph Discrimination
• Title（参考訳）: CHORD:リレーショナルグラフ識別による相互モデル幻覚検出
• Abstract要約: 幻覚検出は、大規模な言語モデルを現実世界のアプリケーションにデプロイするのに重要である。 幻覚を検出する最も一般的な方向として、内部表現に基づく方法が出現している。 本稿では,関係グラフ識別フレームワークを用いた相互モデル幻覚検出手法を提案する。
• 参考スコア（独自算出の注目度）: 43.22417337885039
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hallucination detection is critical for deploying large language models (LLMs) in real-world applications. Due to strong empirical performance, internal representation-based methods have emerged as the prevailing direction for detecting hallucinations, yet they remain largely model-specific and often fail to generalize to unseen LLMs. In this paper, we study an important yet underexplored problem, termed cross-model hallucination detection (CMHD), which aims to train hallucination detectors on source LLMs while ensuring performance on unseen target LLMs. The core challenge of CMHD lies in cross-model representation heterogeneity: hidden states from different LLMs exhibit severe semantic inconsistency, which limits the transferability of classical representation-based detectors. Through analysis and empirical validation, we show that relational structures over layers, tokens, and features capture transferable detection signals despite semantic inconsistency. Based on this observation, we propose cross-model hallucination detection via heterogeneity-oriented relational discrimination (CHORD), a relational graph discrimination framework that represents hidden states as joint relational graphs over layers, tokens, and features. It feeds these graphs into relation-aware attention to obtain structure-aware features, and uses meta-learning to shape these features toward transferable detection signals. Extensive experiments show that CHORD outperforms representative detection methods in cross-model generalization. Code is available at https://github.com/MiracleworkerD/CHORD.
• Abstract（参考訳）: 幻覚検出は、大規模言語モデル(LLM)を現実世界のアプリケーションにデプロイするために重要である。 強い経験的性能のため、内部表現に基づく手法が幻覚検出の主流の方向として現れてきたが、それらは主にモデル固有であり、しばしば目に見えないLLMへの一般化に失敗する。 本稿では,未知の目標LLMの性能を確保しつつ,ソースLLM上での幻覚検出を訓練することを目的とした,CMHD(クロスモデル幻覚検出)と呼ばれる重要な未探索問題について検討する。 CMHDの中核的な課題は、異機種間表現の不均一性にある: 異なるLLMからの隠蔽状態は、古典的な表現に基づく検出器の転送可能性を制限する深刻な意味的不整合を示す。 解析および実証的検証により,意味的不整合にもかかわらず,層やトークン,特徴量上の関係構造が伝達可能な検出信号を取得することを示す。 そこで本研究では, 階層, トークン, 特徴上の結合関係グラフとして隠れ状態を表す関係グラフ識別フレームワークである, 不均一性指向型関係識別(CHORD)による相互モデル幻覚検出を提案する。 それらのグラフは、構造認識の特徴を得るために、関係認識の注意を与え、メタラーニングを使用してこれらの特徴を伝達可能な検出信号に向けて形作る。 大規模な実験により、CHORDはクロスモデル一般化において代表検出法より優れていた。 コードはhttps://github.com/MiracleworkerD/CHORD.comで入手できる。

関連論文リスト

• Detecting Hallucination in LLMs: Tracing the Topological Signatures of Impaired Context Sharing [11.528827340090539]
  我々はForman-Ricci曲率を解析し、注目グラフにおける情報ボトルネックを示す構造パターンを同定する。 幻覚応答に付随するアテンションヘッドの半局所的情報フロー特性と大域的情報フロー特性の両方をキャプチャする手法を提案する。
  論文  参考訳（メタデータ） (2026-09-17T21:15:34Z)
• Scalable Token-Level Hallucination Detection in Large Language Models [63.3426544914783]
  内部幻覚は推論集約的なタスクでは検出が難しい。 TokenHDはトークンレベルの幻覚検出器を訓練するための全体論的パイプラインである。
  論文  参考訳（メタデータ） (2026-05-12T16:47:40Z)
• DynHD: Hallucination Detection for Diffusion Large Language Models via Denoising Dynamics Deviation Learning [48.77865928715759]
  拡散大言語モデル (D-LLM) は自己回帰モデルに代わる有望な代替品として登場した。 幻覚は 信頼性を損なう重要な問題です 本研究では,これらのギャップを空間的(トケンシーケンス)と時間的(デノナイジングダイナミクス)の両方の観点から橋渡しするDynHDを提案する。
  論文  参考訳（メタデータ） (2026-03-17T12:40:29Z)
• FaithSCAN: Model-Driven Single-Pass Hallucination Detection for Faithful Visual Question Answering [14.550872089352943]
  FaithSCANは視覚言語モデルの豊富な内部信号を利用して幻覚を検出する軽量ネットワークである。 本稿では,LLM-as-a-JudgeパラダイムをVQA幻覚に拡張し,モデル依存型監視信号の自動生成のための低コスト戦略を提案する。 深い分析により、幻覚は視覚知覚、相互モーダル推論、言語復号における系統的な内部状態の変化から生じることが示された。
  論文  参考訳（メタデータ） (2026-01-01T09:19:39Z)
• A Novel Differential Feature Learning for Effective Hallucination Detection and Classification [3.9060143123877844]
  本稿では,適応的な層間特徴重み付けと差分特徴学習機構に,Projected Fusionブロックを統合したデュアルモデルアーキテクチャを提案する。 幻覚信号が高度にスパースな特徴部分集合に集中していることを示し,質問応答や対話タスクの精度を大幅に向上させることを実証した。
  論文  参考訳（メタデータ） (2025-09-20T06:48:22Z)
• Joint Evaluation of Answer and Reasoning Consistency for Hallucination Detection in Large Reasoning Models [12.270274049887298]
  トレースの推論は冗長あるいは論理的に矛盾する可能性があるため、新しい幻覚の源となる。 既存の幻覚検出法は主に回答レベルの不確実性に焦点を当てている。 LRMにおける幻覚検出に適した新しいフレームワークであるRASを提案する。
  論文  参考訳（メタデータ） (2025-06-05T09:54:04Z)
• Hallucination Detection in LLMs with Topological Divergence on Attention Graphs [60.83579255387347]
  幻覚(Halucination)、すなわち、事実的に誤ったコンテンツを生成することは、大きな言語モデルにとって重要な課題である。 本稿では,TOHA (Topology-based HAllucination detector) をRAG設定に導入する。
  論文  参考訳（メタデータ） (2025-04-14T10:06:27Z)

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。