机器生成文本隐藏的人类风格本质：理论与检测增强
计算与语言
2026-05-25 v1
摘要
由大型语言模型 (LLM) 生成的机器生成文本 (MGTs) 正在 various 应用中日益普及，而其潜在在虚假新闻传播和网络钓鱼中的滥用引发了严重关切，凸显了对 MGT 检测的需求。现有的段落级检测方法常将 MGTs 视为完全机器化，忽略了机器生成文本中隐藏的人类风格本质：即使完全机器生成的文本也可能包含与人类写作高度一致的片段。为此，我们首先揭示了此类隐藏人类风格片段的存在，然后对其对检测的影响进行理论分析。我们的分析表明，这些片段增加了检测的句子复杂度，从而使 MGT 检测本质上更难。基于此发现，我们提出一种模型无关的堆叠增强框架，通过减少隐藏人类风格片段的影响来提高现有检测器的性能。具体而言，我们将片段级别的保留决策建模为潜变量问题，并以一种类似 hard-EM 的程序实现优化，其中检测器迭代过滤确定的人类风格子序列并在剩余文本上进行自我校准。广泛的实验在 various LLMs 和实际场景中表明，所提框架一致性地增强了现有检测器。值得注意的是，该框架也可以训练无监督的方式工作，为实际部署提供了灵活性和可扩展性。
引用
@article{arxiv.2605.23190,
title = {Hidden Human-Like Nature of Machine-Generated Texts: Theory and Detection Enhancement},
author = {Chenwang Wu and Yiu-ming Cheung and Bo Han and Defu Lian},
journal= {arXiv preprint arXiv:2605.23190},
year = {2026}
}