AI生成文本非平稳：通过时序断层探测
计算与语言
2025-09-24 v2
摘要
AI生成文本检测领域已从监督分类演变为零样本统计分析。然而，当前方法存在根本性局限：它们将token级测量聚合为标量分数，丢弃了异常发生位置的信息。我们的经验分析揭示，AI生成文本呈现显著的非平稳性，不同文本片段之间的统计特性差异高达73.8%。这一发现解释了为何现有检测器在针对利用这一被忽视特征的局部对抗性扰动时失败。我们引入时序断层消解（Temporal Discrepancy Tomography, TDT），一种新颖的检测范式，通过保持位置信息将检测重新建模为信号处理任务。TDT将token级差异视为时间序列信号，并应用连续小波变换生成二维时刻-尺度表示，捕捉统计异常的location和语言尺度。在RAID基准上，TDT实现0.855 AUROC（比最佳基线提高7.1%）。更重要的是，TDT在对抗任务上表现出色，在HART Level 2改写攻击中实现14.1%的AUROC提升。尽管分析相当精妙，TDT仍保持实用效率，仅增加13%的计算开销。我们的工作确立了非平稳性作为AI生成文本的基本特征，证明保持时序动态对稳健检测至关重要。
引用
@article{arxiv.2508.01754,
title = {AI-Generated Text is Non-Stationary: Detection via Temporal Tomography},
author = {Alva West and Yixuan Weng and Minjun Zhu and Luodan Zhang and Zhen Lin and Guangsheng Bao and Yue Zhang},
journal= {arXiv preprint arXiv:2508.01754},
year = {2025}
}