DEER：用于通用机器生成文本检测的离散混合专家与实例自适应路由
计算与语言
2025-11-04 v1
摘要
检测机器生成文本（MGT）已成为关键挑战，这源于大型语言模型（LLM）能够产生高度逼真、类似人类的内容的快速进步。然而，当前方法在域迁移下性能显著下降。为此，我们提出一种新框架，通过两阶段离散混合专家（Disentangled mixturE-of-ExpeRts, DEER）架构捕获域特定和域通用MGT模式。首先，我们引入离散混合专家模块，其中域特定专家学习细粒度、域局部的人机文本区别，而共享专家提取可迁移的跨域特征。其次，为缓解推理时域标签不可用的实际限制，我们设计基于强化学习的路由机制，动态选择每个输入实例的合适专家，从而有效弥合训练-推理之间因域不确定性导致的鸿沟。在针对五个域内和五个域外基准数据集进行大量实验表明，DEER在所有设置下均优于最先进方法，在域内数据集上实现1.39%的平均F1分数提升，在域外数据集上实现5.32%的平均F1分数提升，准确率分别提升1.35%和3.61%。消融研究确认了域特定专家专化和自适应路由对模型性能的关键贡献。
引用
@article{arxiv.2511.01192,
title = {DEER: Disentangled Mixture of Experts with Instance-Adaptive Routing for Generalizable Machine-Generated Text Detection},
author = {Guoxin Ma and Xiaoming Liu and Zhanhan Zhang and Chengzhengxu Li and Shengchao Liu and Yu Lan},
journal= {arXiv preprint arXiv:2511.01192},
year = {2025}
}
备注
Under Review