DocShield：証拠に基づくエージェント的推論によるAIドキュメント安全性に向けて

概要: 生成AIの急速な進展により、文書中心（テキスト中心）の、ますます現実的な画像改ざんが可能になり、文書の安全性に対して重大な課題をもたらしています。既存のフォレンジック手法は主に視覚的な手がかりに依存しており、微細なテキスト改ざんを暴くための、根拠に基づく推論が欠けています。検出、局所化、説明はしばしば別々の作業として扱われるため、信頼性や解釈可能性が制限されます。これらの課題に対処するため、私たちは、テキスト中心の改ざん解析を「視覚‐論理の共同推論（visual-logical co-reasoning）」問題として定式化する、最初の統一フレームワークである DocShield を提案します。中核となるのは、新規の「Cross-Cues-aware Chain of Thought（CCT）」メカニズムであり、暗黙的なエージェント的推論を可能にします。すなわち、視覚的異常とテキストの意味論を反復的に相互検証し、首尾一貫した、根拠に基づくフォレンジック解析を生成します。さらに、GRPO による最適化のための「Weighted Multi-Task Reward（重み付きマルチタスク報酬）」を導入し、推論構造、空間的な証拠、信頼性（真正性）予測を整合させます。フレームワークに加えて、ピクセルレベルの操作マスクと専門家レベルのテキストによる説明を備えた、文書風のテキスト画像の多言語データセット RealText-V1 を構築します。大規模な実験の結果、DocShield は既存手法を大きく上回り、専門フレームワークに対して T-IC13 でマクロ平均 F1 を 41.4% 改善し、さらに GPT-4o に対しても 23.4% 改善しました。また、困難な T-SROIE ベンチマークでも一貫した向上が確認されています。私たちのデータセット、モデル、コードは公開予定です。