用于人工智能生成文本检测的潜在轨迹辨别

大多数现有的人工智能生成文本检测（AIGTD）方法将文档视为静态对象，并根据聚合统计数据或全局压缩嵌入做出决策。然而，这种观点忽视了自回归生成固有的动态本质，即内容在潜在空间中逐步演变。在本文中，我们将 AIGTD 重新表述为区分潜在生成轨迹的问题。我们不依赖静态表示，而是对文本表示如何在序列中演变进行建模。为此，我们提出了几何轨迹和对比学习（GTCL），这是一个框架，它将文档分割成有序的局部单元，在嵌入空间中对每个单元进行编码，并构建结构化的序列级表示。然后，GTCL 将对比学习应用于这些轨迹，以学习与自回归生成相关的几何规律。对三个不同基准和多种方法进行的评估表明，GTCL 始终优于检测基线，这意味着显式建模顺序动态可提供跨模型和域的稳健判别信号。这些结果表明，对轨迹差异进行建模可以改善检测并开辟一个动态方向，而这在之前的 AIGTD 文献中尚未得到充分探索。