.png){kind=icon}
返回
Highly Generalizable Cross-Domain Machine-Generated Text Detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.neucom.2026.133426.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
机器生成文本对信息可靠性产生了显著影响，引发了一系列技术和伦理问题。现有的机器生成文本检测方法通常局限于特定领域，在跨领域场景中应用时准确率较低。此外，低修订率的机器生成文本往往与人工撰写文本具有高语义相似性，容易导致检测模型误分类。本研究提出了一种高度通用化的跨领域机器生成文本检测方法（HGCD）。构建了一个协同利用领域特定和领域通用编码器的框架，强化了机器生成文本的通用特征，从而提升了跨领域检测准确率。此外，设计了一种编辑距离损失以缓解机器生成与人工撰写文本之间的特征重叠，进而降低误检率。实验结果表明，在单一领域训练后，HGCD在其他领域无需微调即可实现高检测准确率，表明其具备强大的泛化能力和广泛应用前景。与SOTA方法相比，HGCD在领域内场景中准确率最高提升1.54%，在跨领域场景中最高提升6.59%。
Keyword:
Machine-generated text detection
Cross-domain generalization
Edit distance loss
Domain-specific encoder
Domain-general encoder
期刊
IF:
6.5
论文数:
2.5W
被引数:
6.5W
机构
暂无机构信息
引用论文
Does DetectGPT Fully Utilize Perturbation? Bridging Selective Perturbation to Fine-tuned Contrastive Learning Detector would be BetterDetectGPT是否充分利用了扰动？将选择性扰动与微调的对比学习检测器相结合会更好。
PREAI
分享收藏I. Zahid, Y. Chang, T. Madusanka, Y. Sun, R. T. Batista-Navarro, Multi-loss fusion: Angular and contrastive integration for machine-generated text detection, in: Findings of the Association for Computational Linguistics: EMNLP 2024, 2024, pp. 7189–7202.I. Zahid, Y. Chang, T. Madusanka, Y. Sun, R. T. Batista-Navarro, 多损失融合：用于机器生成文本检测的角度和对比集成，载于：计算语言学协会发现：EMNLP 2024, 2024, 第7189-7202页。.png)
IF0
PREAI
分享收藏
分享收藏
查看更多内容