PhantomHunter：基于家族感知学习检测未见私有调优LLM生成文本
计算与语言
2025-06-19 v1 计算机与社会
摘要
随着大型语言模型（LLM）的流行，诽谣生产和学术不端等不良社会问题日益严重，使得LLM生成文本检测的重要性前所未有。尽管现有方法取得了显著进展，但针对来自私有调优LLM文本的检测挑战尚未得到充分探讨。用户可以通过使用私有语料对开源模型进行微调来轻松获得私有LLM，导致现有检测器在实际应用中性能显著下降。为解决此问题，我们提出PhantomHunter，一种专为检测未见私有调优LLM生成文本而设计的检测器。其家族感知学习框架捕获基础模型及其衍生模型共享的家族级特征，而非记忆单个模型的特征。实验在LLaMA、Gemma和Mistral家族数据上显示，其在7种基线方法和3项工业服务中的优势显著，F1分数均超过96%。
引用
@article{arxiv.2506.15683,
title = {PhantomHunter: Detecting Unseen Privately-Tuned LLM-Generated Text via Family-Aware Learning},
author = {Yuhui Shi and Yehan Yang and Qiang Sheng and Hao Mi and Beizhe Hu and Chaoxi Xu and Juan Cao},
journal= {arXiv preprint arXiv:2506.15683},
year = {2025}
}
备注
17 pages, 3 figures, 6 tables