论文
超越亚高斯检测器分数：用于人类大语言模型文本分割的鲁棒加权轮廓损失变化点检测
Beyond Sub-Gaussian Detector Scores: Robust Weighted Profile-Loss Change Point Detection for Human-LLM Text Segmentation
摘要
混合人类-LLM 文档需要从检测器分数中定位作者身份转换，其可靠性因文本单元而异。现有的加权平均对比很容易受到极端分数的影响，而直接用稳健的中心替换均值会掩盖错误的边界如何改变总体目标。我们提出了鲁棒加权轮廓丢失变化点检测（RWCP），它结合了上限可靠性权重、Huber 轮廓增益和可靠性坐标中的最窄阈值搜索。我们的关键分析将真实分割和移位分割之间的人口差距表示为合并成本，从而避免了混合段非线性中心的封闭式解决方案。在显式曲率、间距和相关条件下，核心 RWCP 恢复变化数量并定位其边界；其二次损失极限恢复平方加权 CUSUM。我们还研究了 RWCP-R，这是一种单独评估的解码器，它在不相邻的段落之间共享源中心。在五个回顾性缓存分数基准测试系列中，核心 RWCP 相对于加权变化点检测将系列宏 WindowDiff 降低了 17.6%，而 RWCP-R 进一步降低了它。对于孤立的更改，边界恢复的改进最为明显，而两种固定配置都会错过协作和密集交替文本中的更改。