通过嵌入融合提升作者归属识别：基于掩码和编码器-解码器语言模型的新方法
计算与语言
2024-11-04 v1 机器学习
摘要
AI 生成内容与人类撰写文本的日益增多凸显了可靠鉴别方法的必要性。为此，我们提出了一种新框架，利用预训练语言模型（PLM）的文本嵌入来区分 AI 生成与人类撰写的文本。我们的方法利用嵌入融合（Embedding Fusion）集成来自多个语言模型的语义信息，发挥其互补优势以提升性能。通过在公开的多样化数据集上进行广泛评估，我们的方法在分类准确率超过 96%，马茨森相关系数（MCC）超过 0.93。该评估在来自五个著名大型语言模型（LLM）生成的平衡数据集上进行，凸显了该新方法的有效性与鲁棒性。
引用
@article{arxiv.2411.00411,
title = {Enhancing Authorship Attribution through Embedding Fusion: A Novel Approach with Masked and Encoder-Decoder Language Models},
author = {Arjun Ramesh Kaushik and Sunil Rufus R P and Nalini Ratha},
journal= {arXiv preprint arXiv:2411.00411},
year = {2024}
}