DETree: 基于树状层次表示学习检测人类-人工智能协作文本
计算与语言
2025-10-21 v1 机器学习
摘要
检测涉及AI的文本是反击虚假信息、抄袭和学术不端行为的关键任务。然而，AI文本生成包含多样化的协作过程（人类编辑AI生成的文本、AI编辑人类撰写的文本以及由其他AI细化AI生成的文本），可能涉及各种甚至新的大语言模型。通过这些不同过程生成的文本表现出复杂特征，给检测带来重大挑战。当前方法对这些过程建模过于粗糙，主要采用二元分类（纯人类 vs. AI涉及）或多分类（将人类-AI协作视为新类别）。我们观察到，通过不同过程生成的文本在表示上存在内在的聚类关系。因此，我们提出DETree方法，构建层次亲和树结构来建模不同过程之间的关系，并引入专用损失函数将文本表示与该树结构对齐。为促进此学习，我们开发了RealBench数据集，自动包含通过各种人类-AI协作过程产生的混合文本。我们的方法在混合文本检测任务中提升性能，显著增强了在零样本情境下的鲁棒性和泛化能力，尤其在少样本学习条件下，进一步证明了基于训练的方法在OOD设置中具有潜力。我们的代码和数据集已公开于 https://github.com/heyongxin233/DETree。
引用
@article{arxiv.2510.17489,
title = {DETree: DEtecting Human-AI Collaborative Texts via Tree-Structured Hierarchical Representation Learning},
author = {Yongxin He and Shan Zhang and Yixuan Cao and Lei Ma and Ping Luo},
journal= {arXiv preprint arXiv:2510.17489},
year = {2025}
}
备注
To appear in NeurIPS 2025