論文の概要: FIBER: Bayesian Fusion of Fast-DetectGPT and IRT-Informed Detector Evidence for LLM-Generated Text Detection
- arxiv url: http://arxiv.org/abs/2611.15058v1
- Date: Wed, 11 Nov 2026 05:31:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.052413
- Title: FIBER: Bayesian Fusion of Fast-DetectGPT and IRT-Informed Detector Evidence for LLM-Generated Text Detection
- Title(参考訳): FIBER:LLMテキスト検出のための高速デテクストGPTとIRTインフォームド検出器のベイズ融合
- Abstract要約: 本稿では,FIBER(Fast-DetectGPT with IRT-informed Bayesian Evidence Recalibration)を提案する。
過去のFast-DetectGPTスコアが利用できない場合、FIBER-Streamと呼ばれる変種は、未ラベルのバッチからクラス固有のスコア分布を推定する。
32,000テキストのマルチドメインベンチマークでは、FIBERは最高精度(0.620)を達成し、5倍のクロスバリデーションでFast-DetectGPT(0.664対0.600)よりも平均AUCを改善する。
- 参考スコア(独自算出の注目度): 18.639121391428215
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting large language model (LLM)-generated text remains challenging under domain and generator shifts. Supervised detectors may generalize poorly, while zero-shot methods often rely on individual statistical signals without leveraging historical detector behavior. We propose FIBER (Fast-DetectGPT with IRT-informed Bayesian Evidence Recalibration), which integrates continuous Fast-DetectGPT scores with auxiliary detector outputs through Bayesian evidence fusion. Item response theory (IRT) models historical detector-correctness patterns, providing class-conditional detector-output likelihoods through marginalization over latent text representations. These likelihoods are combined with Fast-DetectGPT score densities and a historical class prior for prediction. When historical Fast-DetectGPT scores are unavailable, a variant called FIBER-Stream estimates class-specific score distributions from an unlabeled batch. On a 32,000-text multi-domain benchmark, FIBER achieves the highest accuracy (0.620) and improves mean AUC over Fast-DetectGPT (0.664 versus 0.600) under five-fold cross-validation. FIBER also consistently improves AUC across four individual domains. Under out-of-distribution transfer, FIBER-Stream achieved an AUC of 0.911, compared with 0.889 for FIBER and 0.922 for Fast-DetectGPT alone. These results demonstrate the potential of integrating complementary detector evidence and historical information to improve detection performance across heterogeneous settings.
- Abstract(参考訳): 大規模言語モデル (LLM) 生成テキストの検出は、ドメインやジェネレータのシフトの下では困難である。
監視された検出器は一般化が悪く、ゼロショット法は歴史的検出器の振る舞いを生かさずに個々の統計信号に依存することが多い。
本研究では,連続的なFast-DetectGPTスコアをベイズ証拠融合による補助検出器出力と統合したFIBER(Fast-DetectGPT with IRT-informed Bayesian Evidence Recalibration)を提案する。
アイテム応答理論(IRT)は、過去の検出精度パターンをモデル化し、潜在テキスト表現の限界化を通じてクラス条件検出出力確率を提供する。
これらの確率は、予測に先立ってFast-DetectGPTスコア密度と履歴クラスと組み合わせられる。
過去のFast-DetectGPTスコアが利用できない場合、FIBER-Streamと呼ばれる変種は、未ラベルのバッチからクラス固有のスコア分布を推定する。
32,000テキストのマルチドメインベンチマークでは、FIBERは最高精度(0.620)を達成し、5倍のクロスバリデーションでFast-DetectGPT(0.664対0.600)よりも平均AUCを改善する。
FIBERはまた、4つのドメインにわたるAUCを一貫して改善している。
FIBER-Stream は 0.911 で、FIBER は 0.889 、Fast-DetectGPT は 0.922 であった。
これらの結果は、相補的な検出証拠と過去の情報を統合して、異種環境における検出性能を向上させる可能性を示している。
関連論文リスト
- Benchmarking Unsupervised Jamming Detection in 5G Open RAN [42.727584386619895]
電波周波数(RF)ジャミングは第5世代(5G)ネットワークを脅かす。
本稿では統計的および再構成に基づく教師なしジャミング検出器のベンチマークを行う。
SEMは、F1ランキングと整合して、すべての環境で第1位にランクインする。
論文 参考訳(メタデータ) (2026-11-03T05:58:35Z) - Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。
MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。
本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
論文 参考訳(メタデータ) (2026-02-08T16:06:12Z) - DetectAnyLLM: Towards Generalizable and Robust Detection of Machine-Generated Text Across Domains and Models [60.713908578319256]
タスク指向の知識で検出器を最適化するために,DDL(Direct Discrepancy Learning)を提案する。
そこで本研究では,最新のMGTD性能を実現する統合検出フレームワークであるTectAnyLLMを紹介する。
MIRAGEは5つのテキストドメインにまたがる10のコーパスから人書きテキストをサンプリングし、17個の最先端のLLMを使用して再生成または修正する。
論文 参考訳(メタデータ) (2025-09-15T10:59:57Z) - SlowFastVAD: Video Anomaly Detection via Integrating Simple Detector and RAG-Enhanced Vision-Language Model [52.47816604709358]
ビデオ異常検出(VAD)は、ビデオ内の予期せぬ事象を識別することを目的としており、安全クリティカルドメインに広く応用されている。
視覚言語モデル(VLM)は強力なマルチモーダル推論能力を示し、異常検出の新しい機会を提供している。
SlowFastVADは高速異常検出器と低速異常検出器を統合したハイブリッドフレームワークである。
論文 参考訳(メタデータ) (2025-04-14T15:30:03Z) - Resultant: Incremental Effectiveness on Likelihood for Unsupervised Out-of-Distribution Detection [63.93728560200819]
unsupervised out-of-distribution (U-OOD) は、未表示のin-distriion(ID)データのみに基づいて訓練された検出器でデータサンプルを識別することである。
近年の研究は、DGMに基づく様々な検出器を開発し、可能性を超えて移動している。
本研究では,各方向,特にポストホック前とデータセットエントロピー・ミューチュアルキャリブレーションの2つの手法を適用した。
実験の結果、結果が新しい最先端のU-OOD検出器になる可能性が示された。
論文 参考訳(メタデータ) (2024-09-05T02:58:13Z) - Fast-DetectGPT: Efficient Zero-Shot Detection of Machine-Generated Text via Conditional Probability Curvature [33.84718903572477]
大規模言語モデル(LLM)は、流動的でコジェントなコンテンツを生成する能力を示している。
信頼できるAIシステムを構築するためには、マシン生成コンテンツと人間によるコンテンツとを区別することが不可欠である。
Fast-DetectGPTは、ディテクターGPTの摂動ステップを、より効率的なサンプリングステップで置き換える最適化されたゼロショット検出器である。
論文 参考訳(メタデータ) (2023-10-08T11:41:28Z) - DetectGPT: Zero-Shot Machine-Generated Text Detection using Probability
Curvature [143.5381108333212]
大規模な言語モデルからサンプリングされたテキストは、モデルのログ確率関数の負の曲率領域を占有する傾向にあることを示す。
次に、与えられたLLMから通路が生成されるかどうかを判断するための新しい曲率ベースの基準を定義する。
我々は、モデルサンプル検出のための既存のゼロショット法よりもディテクターGPTの方が識別性が高いことを発見した。
論文 参考訳(メタデータ) (2023-01-26T18:44:06Z)
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。