两鸟同树：多任务检测与归属归因 LLM 生成文本
密码学与安全
2025-08-21 v1 计算与语言
机器学习
摘要
大型语言模型（LLM），如 GPT-4 和 Llama，已在生成自然语言方面展现出惊人的能力。然而，它们也带来了安全和完整性挑战。现有反措施主要侧重于区分 AI 生成的内容与人类撰写的文本，大多数解决方案针对英文进行优化。同时，归属归因——确定特定 LLM 产生了给定文本——尽管在 Forensic 分析中至关重要，却受到较少关注。在本文中，我们提出了 DA-MTL 框架，通过多任务学习同时解决文本检测和归属归因问题。我们在九个数据集和四个 backbone 模型上评估了 DA-MTL，证明其在多个语言和 LLM 来源方面表现出色。我们的框架捕捉每个任务的独特特征，并在两者之间共享见解，从而提升两项任务的性能。此外，我们对跨模态和跨语言模式进行了彻底分析，并评估了框架对对抗性混淆技术的鲁棒性。我们的发现为理解 LLM 行为以及检测和归属归因的通用性提供了宝贵见解。
引用
@article{arxiv.2508.14190,
title = {Two Birds with One Stone: Multi-Task Detection and Attribution of LLM-Generated Text},
author = {Zixin Rao and Youssef Mohamed and Shang Liu and Zeyan Liu},
journal= {arXiv preprint arXiv:2508.14190},
year = {2025}
}
备注
Securecomm 2025