arXiv cs.CL· Kevin Ren, Manish Raghavan, Nikhil Garg·· 2 天前AI 评分31
面向持续分布偏移的 AI 文本检测测试时自适应方法
Hitting a Moving Target: Test-Time Adaptation for AI Text Detection under Continual Distribution Shift
AI 导读
研究提出一种测试时自适应（TTA）方法，利用推理时无标注样本的同质性来应对 AI 文本检测中的持续分布偏移，包括对抗性人类化、新 LLM 发布和人类写作的时间漂移。实验显示，SOTA 监督检测器在分布偏移下系统性失效，而结合半监督学习的 TTA 基本保持稳健；例如商业模型 Pangram 仅检出 27.0% 的对抗性 AI 生成文本，该 TTA 方法则达 93.3%。
正文 · AI 翻译
摘要：已部署的 AI 文本检测方法均为有监督方法，依赖在训练阶段获取由人类撰写和 AI 生成文本构成的标注数据集。这种方法容易受到部署后持续出现的三类分布偏移的影响，而针对这些偏移的标注数据往往无法获得：对抗性人类化、新 LLM 的发布，以及 LLM 广泛使用后人类写作中难以识别的时序漂移。同时，现有方法并未利用 LLM 使用的一个关键信号：推理时同质性。我们提出一种测试时自适应（TTA）方法，通过利用推理时观察到的无标注样本之间的同质性来适应分布偏移。实证上，我们发现最先进的有监督检测器在遇到 AI 生成文本和人类写作中的分布偏移时（无论是对抗性还是自然发生的）会系统性失效，而结合半监督学习的 TTA 基本保持稳健；例如，商业模型 Pangram 仅检测出我们对抗性 AI 生成文本的 27.0%，而我们的测试时方法达到 93.3%。我们确立了 TTA 是真实场景中 AI 文本检测的一个有前景的框架。
| 评论： | NeurIPS 2026。我们在以下地址发布代码：this https URL |
| 学科： | 计算与语言（cs.CL）；人工智能（cs.AI） |
| 引用格式： | arXiv:2606.25152 [cs.CL] |
| （或 arXiv:2606.25152v2 [cs.CL] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2606.25152 arXiv 颁发的 DOI，经由 DataCite |
提交历史
来自：Kevin Ren [查看邮箱]
[v1]
2026年6月23日星期二 20:37:18 UTC（900 KB）
[v2]
2026年10月14日星期三 18:51:21 UTC（2,087 KB）
来源：arXiv cs.CL · arxiv.org