アラインメント・インプリント：証明可能な選好の不一致に基づくゼロショットAI生成テキスト検出

arXiv cs.AI / 2026/4/21

📰 ニュースIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、現代のLLMのアラインメント（微調整や嗜好チューニング）が「Alignment Imprint（アラインメント・インプリント）」として測定可能な痕跡を残し、それをAI生成テキスト検出に利用できると主張している。
アラインメント過程を制約付き最適化の連鎖として抽象化し、対数尤度比が暗黙の指示バイアスと選好報酬に分解できることを理論的に導出している。
高エントロピー領域での不安定性を抑えるため、Log-likelihood Alignment Preference Discrepancy（LAPD）と呼ぶ情報加重の統計量を提案している。
Fast-DetectGPTに対して、統計的保証と理論的根拠にもとづく優位性（パフォーマンス優越や、アライン済みモデルとベースモデルが分布的に近い場合の非加重スコアの厳密な改善）を示すとしている。
実験では最強の既存ベースラインに対して相対で45.82%の改善を報告しており、あらゆる設定で大きく一貫した効果が得られたとしている。

要旨: AI生成テキストを検出することは重要だが難しい問題です。既存の尤度ベースの検出手法は、しばしば内容の複雑さに敏感で、性能が不安定になる場合があります。本論文の重要な洞察は、現代の大規模言語モデル（LLM）が整合化（微調整や嗜好チューニングを含む）を受けることで、測定可能な分布的な痕跡を残すという点にあります。私たちは整合化プロセスを制約付き最適化の一連のステップとして抽象化することで、この痕跡を理論的に導出し、対数尤度比が暗黙の指示的バイアスと嗜好報酬へ自然に分解され得ることを示します。この量を「Alignment Imprint（整合化の刻印）」と呼びます。さらに、高エントロピー領域における不安定性を軽減するために、整合化の刻印に基づく標準化された、情報重み付き統計量である Log-likelihood Alignment Preference Discrepancy（LAPD）を導入します。整合化に基づく統計量が性能において Fast-DetectGPT を支配するという統計的な保証を提示します。また、整合化されたモデルと基盤モデルが分布として近い場合に、LAPD が重み付けを行わない整合化スコアを厳密に改善することも理論的に示します。大規模な実験により、LAPD は最強の既存ベースラインに対して 45.82% の改善を達成し、あらゆる設定において大きく一貫した向上が得られることを示します。