arXiv cs.AI· Suraj Ranganath, Atharv Ramesh·· 11 小时前AI 评分47
StealthRL：用强化学习改写攻击让 AI 文本检测器集体失效
StealthRL: Reinforcement Learning Paraphrase Attacks for Multi-Detector Evasion of AI-Text Detectors
AI 导读
StealthRL 是一个强化学习框架，通过训练面向检测器集成系统的改写策略并约束语义保真度，对 AI 文本检测器发起自适应改写攻击。在 RoBERTa、Fast-DetectGPT、Binoculars 和 MAGE 上，该攻击将平均 TPR@1%FPR 压至 0.024，同时保留可读文本与语义重叠，并能迁移到训练中未见的检测器。代码与训练好的模型 checkpoint 已公开。
正文 · AI 翻译
摘要：AI 文本检测器越来越多地被用于高风险场景，但其对保持语义的对抗性改写的鲁棒性仍不清楚。我们提出 StealthRL，一个强化学习框架，用于通过自适应改写攻击对检测器进行压力测试。StealthRL 在强制语义保真的同时，针对检测器集成训练改写策略，然后在完整的过滤后 MAGE 测试池上评估向留出检测器家族的迁移。在 RoBERTa、Fast-DetectGPT、Binoculars 和 MAGE 上，所得攻击显著降低检测性能，使平均 TPR@1%FPR 降至 0.024，同时保留可观的语义重叠和可读文本。该攻击还能迁移到训练中未使用的检测器，表明这是更广泛的鲁棒性失效，而非对单一目标模型的过拟合。我们通过检测器分数分析、重复生成稳定性检查以及自动和基于评判的质量评估来补充主要结果。我们的发现表明，当前 AI 文本检测器在自适应改写压力下仍然脆弱，并推动在与部署相关的操作点上进行鲁棒性评估。我们的代码和训练好的模型检查点已公开可用。
| 评论： | Long paper at the First Workshop on Pluralistic Value Alignment of LLMs (PlurVA-LLM 2026) @ AACL-IJCNLP 2026. 16 pages. Code: this https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；密码学与安全（cs.CR） |
| 引用为： | arXiv:2602.08934 [cs.LG] |
| （或 arXiv:2602.08934v3 [cs.LG] 为此版本） | |
| https://doi.org/10.48550/arXiv.2602.08934 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Suraj Ranganath [查看邮箱]
[v1]
2026年2月9日星期一 17:33:46 UTC（13,020 KB）
[v2]
2026年3月19日星期四 23:19:31 UTC（8,988 KB）
[v3]
2026年10月23日星期五 08:21:02 UTC（755 KB）
来源：arXiv cs.AI · arxiv.org