.png){kind=icon}
返回
SILTD: Structural Information for LLM-Generated Text Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/s13042-025-02616-x.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
大型语言模型（LLMs）的快速发展显著提升了人工智能生成内容（AIGC）的质量和多样性。LLM生成文本检测在防止大型语言模型的有害滥用方面发挥着重要作用。现有方法主要对文本进行单独分析，忽视了文本之间的结构关系。这一局限性限制了它们在不同LLM上的泛化能力，因为它们无法捕捉生成文本中固有的共享统计模式。为解决这一问题，提出了一种基于无监督学习的结构信息LLM生成文本检测（SILTD）方法。其核心见解在于，不同LLM的文本在生成统计空间中表现出隐含相似性，这种相似性可以通过建模来提升跨模型泛化能力。首先，我们基于文本特征的相似性构建多关系文本图，旨在建模文本之间复杂相似性和相关性。其次，提出了一种新颖的无监督图聚类方法。将多关系图转化为编码树，并通过二维结构熵最小化算法进行优化，以实现文本的层次聚类。结构熵最小化通过测量图内随机游走的熵不确定性，实现高质量聚类。最后，引入一种新方法，通过测量文本相似性并计算各聚类内文本聚集强度，进行聚类内标签推理。大量实验表明，相比基线方法，本方法在五个数据集上检测六种流行LLM时，具有更高的有效性和泛化能力。
Keyword:
LLM-generated text detection
Structural information
Multi-relational graph
Clustering
期刊
IF:
2.7
论文数:
3.2K
被引数:
5.6K
机构
暂无机构信息
引用论文
Two decades of statistical language modeling: Where do we go from here?统计语言建模二十年: 我们何去何从？.png)
PROCEEDINGS OF THE IEEE
OAAI
PROCEEDINGS OF THE IEEEIF25.9
OAAI分享收藏MultiRankProceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data mining
Proceedings of the 17th ACM SIGKDD international conference on Knowledge discovery and data miningIF0
PREAI
分享收藏分享收藏
查看更多内容