論文の概要: Character-Name Concentration in LLM Fiction: Measuring Displacement and Mitigating Repetition

• arxiv url: http://arxiv.org/abs/2611.01284v1
• Date: Sat, 31 Oct 2026 21:36:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-04 23:36:30.46226
• Title: Character-Name Concentration in LLM Fiction: Measuring Displacement and Mitigating Repetition
• Title（参考訳）: LLMフィルタにおける文字名濃度:変位の測定と繰り返しの緩和
• Abstract要約: 本研究では,8つの戦略にまたがる名称集中制御の実証的研究を行い,投機的命名を導入した。 テキストと視覚刺激(88,919字)から4言語で44,782語を生成する。 リストフリー衝突計(Slop Ratio, SR)を用いて, 既知成分と創発成分に分解した濃度を測定した。
• 参考スコア（独自算出の注目度）: 41.99844472131922
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Character names in large language model (LLM) fiction concentrate on a handful of recurrent names such as 'Elara' and 'Elias', a measurable face of AI slop. Existing fixes either require logit access or retraining, or operate per request and cannot control concentration across a corpus. How much prompt-level strategies reduce concentration, and at what cost to name naturalness, has not been systematically measured. We present an empirical study of name-concentration control across eight strategies and introduce speculative naming, a fine-tuning-free method that adapts the draft-verify-reject paradigm of speculative decoding from tokens to names. The method requests candidate name-sets through verbalized sampling, scores them against a SlopTracker that combines a per-model fingerprint with a runtime counter, and selects through a temperature-controlled rule or its strict variant (HARD). We use 20 LLMs to generate 44,782 stories in four languages from text and visual stimuli (88,919 named characters), and measure concentration with a list-free collision metric (Slop Ratio, SR) decomposed into known and emergent components. List-based strategies do not remove slop: static banlists displace concentration to emergent names and more than halve the share of attested real names. Speculative naming removes it: the sampling scaffold alone cuts SR by 89% on average, the dynamic tracker brings the total reduction to 95%, mean collision probability falls from 7.3% to 0.4%, and known-name collisions hold at zero while naturalness stays close to baseline (42-69% attested by language) and within-story collisions drop from 4.3% to 0.2%. The strategy ranking is stable across languages, model families, and name-counting conventions. Name concentration is thus controllable at the corpus level without logit access or retraining; broader creative diversity beyond naming remains open.
• Abstract（参考訳）: 大型言語モデル(LLM)フィクションのキャラクター名は、AIスロープの計測可能な顔である「エラ」(Elara)や「エリアス」(Elias)のような少数の反復的な名前に集中している。 既存の修正は、ロジットアクセスまたは再トレーニングを必要とするか、リクエスト毎に動作し、コーパス全体の集中を制御できない。 どの程度の急進的な戦略が集中度を減らし、どのコストで自然度を名付けるかは体系的に測定されていない。 本研究では,8つの戦略にまたがる名称集中制御の実証的研究を行い,トークンから名前への投機的デコーディングのドラフト・ビジュアライズ・リジェクト・パラダイムを適応させる微調整不要な手法である投機的命名を導入する。 この方法は、単語化サンプリングを通じて候補名セットをリクエストし、モデルごとの指紋と実行カウンタを組み合わせたSlopTrackerに対してスコアを付け、温度制御されたルールまたはその厳密な変種(HARD)を介して選択する。 テキストと視覚刺激(88,919文字)から4言語で44,782のストーリーを生成するために20のLSMを使用し、リストレス衝突距離(Slop Ratio, SR)を用いて、既知の成分と創発的な成分に分解した濃度を測定する。 静的なバニリストは、集中度を創発的な名前に置き去りにし、証明されていない実名の半分以上を半減する。 サンプリングスキャフォールドだけでSRを平均89%削減し、ダイナミックトラッカーは全体の95%削減し、平均衝突確率は7.3%から0.4%に低下し、既知の名前の衝突は0に保たれ、自然度はベースライン(42-69%が言語で証明されている)に近づき、内部衝突は4.3%から0.2%に低下する。 戦略ランキングは、言語、モデルファミリー、および名前の数え方によって安定している。 したがって、名前の集中度は、ロジットアクセスや再訓練なしにコーパスレベルで制御可能である。

関連論文リスト

• When the Text Is Silent: Memory Shortcuts and the Validity of LLM Annotation under Evidence Insufficiency [22.014571549432006]
  大規模言語モデル (LLMs) は、社会科学研究、コンテンツモデレーション、トレーニングデータのためのアノテートテキストとしてますます使われている。 この動作をメモリショートカットと呼び、それがいつ現れるか、何が増幅するか、どのように緩和するかを調べます。 広く認識されている995人の人物と4人の人物ごとの一致した制御名を用いて、文献的証拠を事前の知識から分離する対実的テキストを構築した。
  論文  参考訳（メタデータ） (2026-11-01T22:54:49Z)
• ALIAS: Evaluating Performance and Memorization in LLM-Written TLA+ Specifications [1.4462128376169208]
  我々は、一貫した識別子リネーム(CIR)でテストし、タスク内のすべての識別子に新しい名前を与え、リコールの証拠としてリコールされたタスクの低いスコアを扱います。 111のTLA+-Benchタスクで、Claude Opus 4.8の正しさを28%から18%に下げ、GPT-5の正しさを9%から7%に下げる。 2つのモデルファミリーでは、タスクの相容れない部分で微調整され、リネームによってトレーニングの収益の約半分が取り除かれ、4.9ポイント(Qwen)と1.3ポイント(Gemma)のコストがかかる。
  論文  参考訳（メタデータ） (2026-10-21T14:02:02Z)
• Who Gets a Token, and What Does It Carry? Unequal Name Support and Concept Access in Large Language Models [12.338320566839483]
  複数のサブワードから組み立てられた名前が直接シングルトークンアクセスを受け取り、不平等な名前と表層のサポートを生み出していることを示す。 モデルネイティブできめ細かなプレビヘイビアフレームワークであるNameTraceを紹介し、不平等な名前表面サポートが語彙的特性のままであるかどうかを測定する。
  論文  参考訳（メタデータ） (2026-09-28T00:46:18Z)
• No PUN Intended: Plausible Unknown Names for Person-Centred LLM Evaluation [2.2940141855172036]
  未知の名前を、もっともらしいファーストラスト形式として運用する。 PUN(Plausible Unknown Names)は、これらの名前の構築と検証のためのプロトコルである。 本報告では, 受入率, 退院率, 204人を対象にした研究を報告する。
  論文  参考訳（メタデータ） (2026-08-21T15:20:37Z)
• Output Vector Editing for Memorization Mitigation in Large Language Models [68.30351930772788]
  大規模な言語モデルは、トレーニングデータからシーケンスを記憶し、再現し、プライバシ、著作権、セキュリティリスクを生み出す。 既存のニューロンレベルの緩和方法は、ニューロンの活性化をゼロにすることで編集を等しくするが、活性化はニューロンが関与するかどうかのみを制御する。 記憶継続に責任を負うニューロンの小さな集合を探索する制約最適化編集である出力ベクトル編集を提案する。
  論文  参考訳（メタデータ） (2026-06-17T07:29:18Z)
• From USD Scenes to Knowledge Graphs: Zero-Shot Ontology Grounding with LLMs [2.5007407263626775]
  大きな言語モデル(LLM)は、ユニバーサルシーン記述シーンの基底ステップを自動化することができる。 LLMは記述的な名前で90-96%の精度で精度を達成している。 セマンティックキューの匿名化は精度を0-6%に減らし、幾何学だけでは4-17%しか得られない。
  論文  参考訳（メタデータ） (2026-06-08T07:32:06Z)
• Evaluating & Reducing Deceptive Dialogue From Language Models with Multi-turn RL [64.3268313484078]
  大規模言語モデル(LLM)は、顧客サポート、教育、医療など、世界中の何百万もの人々と対話する。 故意であれ不注意であれ、偽りのアウトプットを生産する能力は、重大な安全上の懸念を生じさせる。 本研究では, LLM が会話中の偽装にどの程度関与しているかを考察し, 偽装を定量化する信念の誤調整尺度を提案する。
  論文  参考訳（メタデータ） (2025-10-16T05:29:36Z)
• Self-Adaptive Label Augmentation for Semi-supervised Few-shot Classification [121.63992191386502]
  Few-shotの分類は、ラベル付きサンプルがわずかにあれば、新しいタスクをうまく一般化できるモデルを学ぶことを目的としている。 そこで本研究では,手動で定義した指標を用いて,ラベルのない各サンプルに適切なラベルを割り当てる半教師付き小ショット分類手法を提案する。 SALAの目新しいところは、タスク適応計量であり、エンドツーエンドの方法で異なるタスクに対するメトリックを適応的に学習することができる。
  論文  参考訳（メタデータ） (2022-06-16T13:14:03Z)
• Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
  教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。 本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
  論文  参考訳（メタデータ） (2021-06-11T02:42:42Z)
• Semi-supervised Relation Extraction via Incremental Meta Self-Training [56.633441255756075]
  半教師付き関係抽出法は,限られたサンプルからの学習に加え,ラベルのないデータを活用することを目的としている。 既存の自己学習手法は段階的なドリフト問題に悩まされ、未ラベルデータにノイズのある擬似ラベルが組み込まれている。 本稿では,リレーショナルラベル生成ネットワークが,メタオブジェクトとしてリレーショナル分類ネットワークを成功・失敗に導くことによって,擬似ラベルの品質評価を生成するメタSREという手法を提案する。
  論文  参考訳（メタデータ） (2020-10-06T03:54:11Z)

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。