論文の概要: Unibuc - NLP at "Voight-Kampff" Generative AI Detection PAN 2025
- arxiv url: http://arxiv.org/abs/2611.16612v1
- Date: Thu, 12 Nov 2026 10:49:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.448194
- Title: Unibuc - NLP at "Voight-Kampff" Generative AI Detection PAN 2025
- Title(参考訳): Unibuc - NLP at "Voight-Kampff" Generative AI Detection PAN 2025
- Abstract要約: 本稿では,CLEF 2025におけるPANからの"Voight-Kampff"生成AI検出タスクへのUnibuc-NLPチームのアプローチについて述べる。
- 参考スコア(独自算出の注目度): 3.09837566739141
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper describes the approach of the Unibuc - NLP team in tackling the "Voight-Kampff" Generative AI Detection task from PAN at CLEF 2025. In the Subtask 1: Voight-Kampff AI Detection Sensitivity we have explored different approaches of leveraging embeddings extracted from LLMs, using either classical ML models or further fine-tuning LLMs with a classification head for the downstream binary classification task. Our experiments showed that using a majority vote ensemble of classical ML models (Light GBM, XGB, Logistic Regression and SVM) is comparable with fine-tuning for downstream task achieving around 99.4% F1 score. For the Subtask 2: Human-AI Collaborative Text Classification we explored a way of combining features at different layers extracted using transformer backbone with layer-wise projection and attentive pooling which proved modest results.
- Abstract(参考訳): 本稿では,CLEF 2025におけるPANからの"Voight-Kampff"生成AI検出タスクへのUnibuc-NLPチームのアプローチについて述べる。
Subtask 1: Voight-Kampff AI Detection Sensitivityでは、古典的なMLモデルか、下流のバイナリ分類タスクのための分類ヘッドを備えた微調整LPMを使用して、LLMから抽出した埋め込みを活用するさまざまなアプローチについて検討した。
実験の結果,従来のMLモデルの多数決アンサンブル(Light GBM, XGB, Logistic Regression, SVM)は,下流タスクの微調整に比較して99.4%のスコアが得られた。
Subtask 2: Human-AI Collaborative Text Classificationのために、トランスフォーマーバックボーンと層ワイドプロジェクションと減衰プーリングを用いて抽出した異なる層の特徴を組み合わせる方法を検討した。
関連論文リスト
- Reasoning-Aware AIGC Detection via Alignment and Reinforcement [55.09684020007737]
REVEALは、分類の前に解釈可能な推論チェーンを生成するフレームワークである。
複数のベンチマークで最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2026-04-21T07:29:55Z) - UniME-V2: MLLM-as-a-Judge for Universal Multimodal Embedding Learning [101.62386137855704]
本稿では,Universal Multimodal Embedding (UniME-V2)モデルを提案する。
提案手法はまず,グローバル検索による潜在的な負のセットを構築する。
次に、MLLMを用いてクエリ候補対のセマンティックアライメントを評価するMLLM-as-a-Judge機構を提案する。
これらのスコアは、ハード・ネガティブ・マイニングの基礎となり、偽陰性の影響を緩和し、多様な高品質なハード・ネガティブの識別を可能にする。
論文 参考訳(メタデータ) (2025-10-15T13:07:00Z) - A Hybrid Multilayer Extreme Learning Machine for Image Classification with an Application to Quadcopters [0.5452584641316627]
HML-ELM(Hybrid Multilayer Extreme Learning Machine)は、EMMベースのオートエンコーダ(ELM-AE)とインターバルタイプ2ファジィ論理理論に基づいている。
提案手法は,1)自己学習型特徴抽出と2)教師付き特徴分類の2段階からなる階層型EMM学習フレームワークである。
論文 参考訳(メタデータ) (2025-07-10T07:02:46Z) - Accelerating Multimodal Large Language Models by Searching Optimal Vision Token Reduction [62.8375542401319]
MLLM(Multimodal Large Language Models)は、入力イメージを視覚トークンとしてエンコードし、それらを言語バックボーンに入力する。
画像解像度が大きくなるにつれて、視覚トークンの数は2次的に増加し、膨大な計算コストがかかる。
本稿では,各層を浅層から深層まで保持する最小限の視覚トークンを求めるために,欲求探索アルゴリズム(G-Search)を提案する。
論文 参考訳(メタデータ) (2024-11-30T18:54:32Z) - Automated Multi-level Preference for MLLMs [41.72392895643214]
「現在のマルチモーダル大言語モデル(MLLM)は幻覚に苦しむ」
有望な道の1つは、人間からのフィードバック(RLHF)からの強化学習を利用することである。
二項選好(上等、下等)の一般的な実践を再考し、多水準選好を採用する方が2つの利点があることを示す。
論文 参考訳(メタデータ) (2024-05-18T03:49:37Z) - Large Language Models aren't all that you need [0.0]
本稿では,SemEval 2023 Task 2: MultiCoNER IIを解くために構築されたアーキテクチャとシステムについて述べる。
a)従来のランダムフィールドモデルと(b)カスタマイズされた頭で微調整されたLarge Language Model(LLM)の2つのアプローチを評価し、その2つのアプローチを比較した。
論文 参考訳(メタデータ) (2024-01-01T08:32:50Z) - SALMON: Self-Alignment with Instructable Reward Models [80.83323636730341]
本稿では,基本言語モデルと人間の監督を最小限に整合させる新しいアプローチ,すなわちSALMONを提案する。
私たちはDromedary-2という名のAIアシスタントを開発しており、コンテキスト内学習には6つの例と31の人間定義原則しかありません。
論文 参考訳(メタデータ) (2023-10-09T17:56:53Z) - A new perspective on probabilistic image modeling [92.89846887298852]
本稿では,密度推定,サンプリング,トラクタブル推論が可能な画像モデリングのための新しい確率論的手法を提案する。
DCGMMは、CNNのように、ランダムな初期条件からSGDによってエンドツーエンドに訓練することができる。
本研究は,近年のPCおよびSPNモデルと,推論,分類,サンプリングの観点から比較した。
論文 参考訳(メタデータ) (2022-03-21T14:53:57Z)
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。