通过多视图高斯过程的非参数机器文本检测

释义和目标风格转换等对抗性条件会急剧降低机器文本检测器的准确性。然而，一份文档携带多种互补信号（例如，风格特征、可能性和排序特征以及结构特征），抑制其中一种信号的攻击可能会使其他信号完好无损。虽然参数分类器可以在足够的监督下学习组合这些特征，但当分布发生变化时（例如，新的攻击或看不见的语言模型），分类器很容易做出错误的预测。为了解决这个问题，我们提出了一种多视图、非参数检测框架，该框架从同一文档中提取互补的特征视图，并通过高斯过程集成聚合每个视图的证据。通过汇总不同观点的证据，对手必须同时击败多个独立的检测轴，从而大大提高规避成本。高斯过程公式还提供了校准概率和对分布外输入的原则性弃权，支持高风险环境中的可靠部署。我们评估了涵盖不同生成器和攻击的三个基准：DetectRL 和 RAID 基准以及 PAN2025 共享任务，并证明我们的多视图检测器在所考虑的攻击下保持了强大的性能，优于针对持续攻击的现有方法。